好的，大家好。感谢各位的到来。我知道这是今天的最后一个研讨会，非常感谢大家出席。我这次要讲的是“爬山式技能提升”（Hill-Climbing Skills），具体来说，就是如何在不完全依赖模型权重微调的情况下，提升智能体（Agent）的能力。我也在这里放了一个Slido的二维码，如果各位有任何问题可以随时提交，我们可以在最后统一解答。
简单介绍一下我自己：我是Sh，来自Browserbase的销售工程团队。我主要协助客户在生产环境中部署浏览器智能体。不确定在座有多少人了解什么是“浏览器智能体”？请举手示意一下。好的，有一些人知道。那有多少人之前构建或使用过这类工具呢？也请举手。看来也有不少专业人士，太棒了。
在深入探讨“爬山式技能提升”这一概念之前，我想先简要介绍一下什么是浏览器智能体，以便大家清楚我们最后要讨论的内容。同时，我也会展示如何将这些方法应用到各位自己的领域或行业中。
首先快速科普一下什么是浏览器智能体：如果一个智能体的主要工具是驱动网页浏览器，那么它就被称为“浏览器智能体”。在这种情况下，“浏览器”成为了智能体的工具。我们如何控制它呢？通常通过某种命令行界面（CLI）、模型上下文协议（MCP）或其他方法，让智能体能够操控浏览器并执行指令。例如：“嘿，去点击那个红色按钮”、“刷新页面”或“截取这个网站的无障碍树快照”。
这些底层工具赋予智能体控制浏览器的能力。而Browserbase本质上是一个用于构建和运行此类浏览器智能体的平台。我们提供基础设施、软件开发工具包（SDK）、技能库以及配套的CLI，帮助开发者构建这些智能体。接下来，我们将利用所有这些工具来演示“爬山式技能提升”的具体运作方式。
我想谈谈当前智能体面临的最大问题：可靠性。人们对浏览器智能体的挫败感主要源于它们容易卡住、触发反爬虫机制，或者因为懒惰/遗忘而无法完成任务。我们认为，可靠性本质上是一个工程问题。虽然像Opus和Fable等最新模型在发布初期表现非常聪明，但我们发现，提升可靠性的关键在于智能体所获得的工具和技能。这也是我们接下来要重点探讨的方向：如何通过这些手段提升浏览器智能体的可靠性？
我想举几个例子，说明当前这些智能体在哪些方面表现不佳。稍微放大一点画面，大家可以看到这个浏览器智能体正试图访问Google Flights（谷歌航班），它想拖动时间筛选器，但却无法确定如何操作。对于这类智能体来说，“拖拽”是一个棘手的动作，它对此感到极度困惑：既不知道对应的HTML元素是什么，也不清楚背后的JavaScript逻辑。因此，它卡住了，无法完成我的机票预订任务。
另一个例子是OpenTable（餐厅预订平台）。假设我使用“Open Claw”或“Hermes”智能体，想要预订一个约会晚餐。我告诉它：“去OpenTable帮我找一家餐厅。”但结果它会遇到反机器人验证，显示“拒绝访问”。我们不知道具体发生了什么。那么问题来了：我的浏览器智能体能否绕过这些问题？它们是否能变得更可靠，从而成功帮我预订约会餐厅的位子？这是我想要提出的核心问题。
为了解决这个问题，我们需要深入探究根本原因：为什么会发生这种情况？我们拥有像Opus、Gemini等优秀的通用大模型，甚至CodeX和Computer Use等技术也很出色。但是，当面对OpenTable或Google Flights这样需要长时间运行且逻辑复杂的网站时，在生产环境中部署这些模型就变得非常困难。
智能体并不了解针对特定网站的技巧或需要运行的JavaScript代码。更重要的是，每次运行都是从零开始的，智能体的学习过程并没有被内置到运行中。正如Darkh前几天提到的：为什么计算机使用（Computer Use）领域的进展依然如此缓慢？尽管这看起来是一个可验证的问题，但它仍未得到解决。根本原因在于缺乏学习机制：每次智能体运行都是从头开始，没有从生产环境的痕迹中学习。
我将这些浏览器智能体称为“从不学习的天才”。有些人可能会说：“为什么不针对OpenTable或餐厅网站进行微调呢？”但这并不可行。如果你打算构建智能体，就不可能为每一个新出现的任务都进行微调。我们需要一种模式，让智能体能够从生产痕迹中学习并随时间推移不断变强。
大约六个月前，Karpathy提出了“自动研究”（Auto Research）的想法，我们开始思考如何将其应用。这本质上是一个循环过程：针对一个可验证的问题陈述进行尝试，反复迭代，审视自身的运行痕迹并自我改进。我们想知道：如何将这种方法应用到浏览器智能体上？如何应用于这些复杂的工作流和非确定性的网站（它们每天变化，每次触发的反爬机制都不同）？我们如何从中学习呢？
接下来我将切换到一个演示环节，现场展示这一过程。我将从一个提示词开始：“去Google Flights帮我找一张本周六从旧金山到纽约的头等舱机票。我要带一个登机箱，航班时间最好在上午。”好的，输入正确，现在运行它。
这里启动了一个基于浏览器的会话。屏幕中央显示远程浏览器刚刚启动并导航到了Google Flights页面。如果我展开我的智能体视图，可以看到它正在执行一系列操作：这是你可以实时看到的推理痕迹。它正试图应用“头等舱”筛选器，然后它会继续执行任务并返回结果。但我想重点谈谈这里实际发生的事情，以及支撑这个“自动研究循环”的架构。
我们启动了Google航班任务。这里的架构是我们称之为“自动浏览循环”的东西，结合了Auto Research和Browsing功能，我们将其命名为Auto Browse。这个循环本质上是一个双爪Agent SDK架构：一个是执行者代理（Doer Agent），另一个是教师代理（Teacher Agent）。执行者的工作是实际进行浏览操作，它拥有我们之前提到的浏览器CLI访问权限以及浏览器本身。它会点击按钮、查看截图并尝试获取信息；而教师的工作则是观察执行者的操作痕迹，学习哪里做对了、哪里出错了。两者持续协作直到找到收敛的良好解决方案。
我们并不指定需要多少循环次数，也不设定具体的成功率指标，更不限制必须在特定数量的Token或秒数内完成。我们只提供一个宽泛的提示，并拥抱“痛苦的教训”（Bitter Lesson），让执行者和教师自行探索。关键在于存在一个strategy.md文件，它是跨多次运行的产物。每次迭代后，教师会回顾发生的情况、查看截图和日志，然后思考：“哦，你没有点击这个按钮，你应该点那个”，并将这些建议写入strategy.md文件。该产物会延续到下一次迭代并持续改进。
让我们回到演示看看发生了什么。第一次迭代失败了，但从中学到的教训是：跳过整个表单日历小部件，因为直接使用查询参数即可，无需四处点击。代理在此实例中足够聪明地意识到，与其浪费Token和时间去点击那些地方，不如直接使用Google航班的查询参数。这在事后看来显而易见，但作为人类我可能不会想到这一点，也不会自己编写如此复杂的查询参数。这是第一次迭代的成果，随后代理在第二次迭代中继续操作，直到它认为已穷尽所有技巧。
它会尝试各种JavaScript黑客手段，然后总结出可用的技能。我想强调的关键点是：在这个收敛循环结束时，我希望得到的输出是一个skill.md文件。这个技能文件将交付给未来的代理使用，其中包含之前运行中的所有黑客技巧、窍门和学习成果。我们可以看看这种规模可能呈现的样子：例如，“预填充URL是必须的，不要浪费点击和Token去点那些按钮”；“日历存在重新打开的Bug，请勿这样做”。
如果想拖动时间戳元素，请使用JavaScript注入而非鼠标操作。这些技巧将在每次后续运行中得以保留，从而在性能、可靠性和成本方面带来巨大的节省。现在让我们回到之前的运行记录看看是否通过。第二次迭代通过了，你可以看到成本节省了4倍左右（该图表是实时生成的）。起始成本为12美元，第二次降至3美元。请注意，这里的执行者和教师代理均使用Opus 48模型。
第三次迭代刚刚完成，回合数减少，延迟也更好了，但第三次迭代出现了失败。代理似乎过度纠正了一些问题，第四次迭代应该从中吸取教训并观察其表现如何。在它自行操作的同时，我想展示一些之前为本次演示准备的运行记录。例如，我使用Auto Browse访问AI工程师网站，询问哪些讲座和研讨会涉及“爬山算法”（Hill Climbing）。它在多次迭代中完成了任务，你可以看到每次的回放。
这些回放来自Browserbase，对于可观测性视角非常有用且重要。尽管它在所有迭代中都通过了测试，但成本仍提升了7.4倍（从更高降至更低）。现在我想实际看看这些技能中的学习成果是如何积累的。它写道：“直接前往日程页面；如果有错误，不要盲目重试”、“在会话搜索输入框中输入关键词并稍作等待”。因为有时网站加载需要时间，所以可以包含这类技巧。
这些技能中蕴含大量学习成果。我想展示一些有趣的例子，特别是那个“打开表格”的案例，因为我在演示开始时遇到了访问被拒的阻碍。如果我们查看截图，这是第一次迭代时出现的“拒绝访问”问题。让我们看看它是如何从中学习的。它意识到该阻碍是环境性的，因为网站不希望代理执行某些操作。
在第二次迭代中，它发现如果直接使用查询参数并输入经纬度或地铁ID，就能自动获取可用的UI。不要打开被阻止的/r路径，也不要重新加载/s页面，这些是触发封锁的地方。如果不这样做而是遵循此技术，代理就能正常工作。你可以看到成本从6.22美元降至0.51美元，时间从189秒缩短至27秒。
它生成的规模策略包括：构建搜索URL、进行日期计算（如旧金山已知的地铁ID），并遵循特定步骤。永远不要调用/r，因为这会返回访问被拒错误。这些是人类几乎无法做到的学习成果，我们只需拥抱“痛苦的教训”，让代理去工作并发现这些技巧。我还想展示一些改进示例，这个问题之所以让我感同身受，是因为从销售角度来看，我正在部署这些浏览器代理。
将智能体投入生产环境时，只有当浏览器代理成功完成任务，销售才算真正达成。因此，可靠性对我来说是最重要的一点，这也是我带给客户的关键工具。我会告诉客户：“直接启用你们的智能体吧，让它们去执行自动研究任务，这样它们就能在生产环境中取得成功。”人们正在寻找的成功指标包括：在不同任务上成本降低高达 16 倍、12 倍甚至 3 倍。当然，每个任务都不同，瓶颈也各异，因此可能会看到数据的波动。但核心理念是你可以利用这些技术进行“爬山式”优化（逐步提升）。我想回到现场演示，看看是否有任何改进。
好的，我们展示了一个渐进式的技能应用过程，该技能端到端地发挥作用，无需进一步学习。结果显示正确：单程商务舱，从旧金山到纽约，7 月 4 日，含一件随身行李。早上 8 点的航班价格为 649 美元。没错，它能够获取所有这些信息，我可以查看整个回放以确认准确性。它成功解析了整个技能流程，快速路径是将整个查询编码在 URL 中。我强烈建议这样做。
我知道我在展示这些内容，但当我第一次看到结果时，那真是浏览器代理的“神话时刻”。你知道的，就是彻底逆向工程那些东西。我和一些客户一起审视这些结果时，他们感到震惊不已。以前他们会为每个网站编写脚本，抱怨需要花费大量工程时间来逆向这些网站，并询问如何将其扩展到 100 甚至上万个网站。而现在，我们的客户实际上已经构建了这些技能的完整流水线，技能可以动态生成，拉取请求自动创建。
如果生产环境中出现故障，智能体会介入并开始修复该技能。因此，围绕这项技术我们可以做大量的工程工作来加以利用。我还想展示一下我们在浏览.sh 产品上所做的努力。我们心想，如果能为一个网站做到这一点，就能为五个网站做；那为什么不为 500 个网站提供这项服务并免费供任何人使用呢？
如果你还记得，在 90 年代互联网普及之前，你有黄页，里面有联系个人或企业的详细信息。这就是浏览器代理的“黄页”，它包含了在互联网上任何网站执行任何任务的详细指南。我想向大家展示这一点。你可以安装 browse CLI 并免费使用所有这些技能。我们承担了所有的令牌成本，并将这些资源免费提供给大家。
例如，如果我搜索亚马逊上的产品，我可以看到整个规模都在这里。你应该何时使用这些技能？如何查看定价和可用性等信息呢？这里有关于亚马逊的大量详细信息和截图。我只需将这些浏览技能 CLI 给我的 OpenClaw，它就知道何时调用 alltrails.com 的技能，何时调用 weather.gov 的技能。这让我的生活轻松了许多。
我们在后台运行相同的自动研究循环，并将其提供给各位使用。事实上，如果你想的话，你可以访问这里并说：“嘿，为我生成一个技能，用来查找本周旧金山的活动。”你只需执行此操作以生成一个技能，它就会为你完成这项工作。它会给你发送一封电子邮件，然后你可以在你想要的任何智能体中使用该技能。
我们已经为浏览器代理完成了这项工作。我还想谈谈如何将其潜在地应用于其他任何领域。我认为编码智能体是一个让我感到沮丧的地方，因为智能体每次都在重新学习仓库的约定。它没有正确应用代码规范规则，我必须每次都告诉它。也许你可以拥有你的云 MD 和代理 MD 来改进这一点，但基本前提是智能体不应该从零开始重新学习任务。
我在研究代理中也看到了这种情况。我们为内部工作流程运行了许多深度研究代理，但每次它都会挣扎并试图重新学习：“哦，我从维基百科获取了这些信息，但我没有从这个其他网站获取。”我问为什么不能？我们总是使用这个其他网站，你应该从之前的轨迹中学习并提取信息。
在内部运营中，你有所有这些仪表板、数据库和内部工具，但你的智能体不知道哪些有效以及哪些是首选的。理想情况下，你应该应用这种自动研究技术。这需要满足两个条件：首先，你必须拥有某种可重放的环境，以便运行这些循环；其次，你需要某种可验证的结果或可量化的指标来驱动这些循环。是的，我看到一个问题。
我意识到…… 是的。>> 是的。>> 没错。所以我认为问题是：你如何知道自动研究循环是准确的？无论它声称正在收敛，是否真的在收敛？当它说“好”时，实际上好吗？当它说“坏”时，实际上是坏的吗？我如何对智能体所说的话以及循环所做的操作建立信心？我想在这里谈谈可验证的结果。
对于 Karpathy 来说，这相当容易，因为他在训练神经网络时查看实验的对数损失。所以很容易看出你的对数损失是否降低了。但在许多现实世界场景中，情况并非如此，对于浏览器代理更是这样。正如我所解释的，你是否预订了机票可能很简单，但“是否为我找到了最好的航班选项”则有些模糊，且未必是最佳方案。
是的，如果我理解正确的话，你是说循环中的一个错误可能会破坏整个自动研究过程。你如何防止这种情况？实际上，我确实看到某些迭代失败了。例如，如果我们看之前的幻灯片，在取得成功之后也会发生失败。所以并不总是说一旦成功，未来的迭代就一定会一直成功。但我认为关键在于循环的设计，使其能够抵御失败的影响，不过度依赖那些结果，并仍然能够从之前的运行错误中自我纠正和保护。
我想我们正试图防止某种被称为“爆炸性损失”的场景。
我觉得你可以这样做。事实上，Karpathy 曾讨论过这一点，认为这是进行自动研究的一种方式。你甚至可以对“如何进行自动研究”本身的不同方法进行自动化研究。这就好比，教师-执行者循环（teacher-doer loop）真的是最好的方式吗？应该采用多智能体架构来实现这一目标，还是存在其他在神经网络研究任务中比浏览器代理更有效的方案？当然，你可以设计不同的循环结构来避免类似的问题。回到我之前的观点，只要你能获得可验证的结果或某些量化指标，我认为你就能够设计出良好的循环。
有时“可重放的环境”这一话题讨论得不够充分，但它极其重要。之前有人提到 DarkHorse 的观点，认为拥有可验证的结果很重要，但同时也需要极其易于“打磨”（grindable）的环境或用例。如果智能体无法通过失败进行反复试错和迭代，它就很难自我修正并推进多次循环。因此，“编码智能体”就是一个很好的例子，因为你可以从 Docker 镜像或特定的 EC2 实例开始，并从堆栈的不同部分进行重放。
然而，“知识工作”可能不太容易实现重放，因为其中涉及大量的人机交互步骤，使得从特定时间点重新开始变得非常困难。因此，在这些情况下投资于环境建设往往能带来巨大的回报。刚才我想分享一下我今天演示的自动浏览循环（auto browse loop）的相关链接。扫描二维码即可获取该项目的 GitHub 仓库，而第二个二维码则是技能本身的内容。
你只需在 Claude Code 或 CodeEx 中输入 /auto browse，然后说：“嘿，使用 Opus-48 模型分别作为教师和执行者，为我创建一个执行此任务的技能。”我正在看其中一个问题。如果你有任何想法，希望我们将智能体置于某种特定场景中进行测试，欢迎在 Slido 中输入，我们可以现场尝试。让我们看看这个问题：是否有方法优化收敛性？
我认为这与刚才讨论的问题相同。“高成本”这一点很有趣，因为人们可能会认为随着迭代次数增加，长期运行的成本会越来越高。我对此进行了一系列评估实验：将问题交给 Sonnet 模型并运行更长的迭代次数， versus 使用 Opus 模型但减少迭代次数。我认为通过让 Sonnet 进行更多次数的迭代，虽然单次成本较低，但整体完成同一任务的成本可能更低且更具性价比。
此外，这种成本是可以摊薄的（amortized）。我们运行一次自动浏览循环的成本大约在 30 到 40 美元之间，如果情况极其复杂，最多也就 100 美元。只要这些成本在你的生产部署中是合理的，那就尽管使用吧。当然，对于你生成的循环类型进行评估还有很多有趣的事情可以做。是的，我也会分享幻灯片，我可以直接在 GitHub 上提供这些内容。
有人问你是如何将“自动研究”转化为“自动浏览”的？我的思路过程相当直接。我使用了 Karpathy 发布的 GitHub 仓库，并结合了我客户的相关背景信息——这些客户面临各种可靠性问题。我为他们解决这类问题的方式是：深入他们的办公室，与他们并肩工作（forward deployed），通过 brute force 和逆向工程来摸索解决方案。这就是我做的，也就是作为“教师智能体”的角色。
那么问题就是：能否将我在这个过程中自动化？借鉴 Karpathy 的思路构建一个循环，并实现同样的功能。当然，在此基础上进行了大量的迭代和工程化改进以简化流程。这就是转化的过程。有人问能否在代理（proxy）中使用？能否保持登录状态？是的，这又回到了你设计的环境。基于浏览器的基础设施允许智能体登录网站、保存 Cookie 并在后续运行中复用，无需每次重新登录。
这使得复制现实世界的工作流程变得非常简单。当然也可以使用代理服务器。如果你有特定的 IP 地址，例如住宅 IP，也可以将其引入系统。在这些对抗性场景（如验证码和反机器人机制）中，成功的关键很大程度上取决于你的基础设施和环境质量。因此，尽可能优化基础设施绝对是有价值的。
有人问是否有什么想现场演示的内容？是的，这是一个很好的问题。实际上，我也想展示一下代码。如果你查看 GitHub 仓库，可以找到 evaluate.mjs 文件。本质上，它列出了整个循环的流程。回答你的问题：教师和执行者在每次循环中是依次工作的。因此，教师在每一次迭代中寻找学习成果。
如果我在这里展示演示视频——让我们看看刚才完成的那个例子：第一次迭代有这些学习成果，第二次迭代有一些其他的学习成果。例如：“你应该以这种特定格式包含显式的 ISO 日期。”第三次迭代会有其他的学习成果。日期的分辨率仍然打开了空白页面并点击，浪费了三个回合去读取今天的日期或让执行器计算今天的时间。所以它正在弄清楚关于日期的某些信息。
在每一次迭代中，教师都会学习新的内容并将其重新放入 strategy.md 文件中。也许我会通过查看其中一次运行的轨迹来使其更直观。这里是我的所有运行记录。例如，这是“OpenTable 预订”的例子，以及教师每次追加到 strategy.md 中的策略步骤。比如“第零步你应该这样做”等等。这是我给出的任务提示：“帮我找 Big B 大餐厅的预订信息。”
这些是它从中学习的轨迹类型。它会截取屏幕截图，并在每一步记录此类轨迹：浏览、打开页面等，并输出结果。第二步是“浏览快照”。快照本质上获取了无障碍树（accessibility tree），这就是快照内容。它在每一步都在思考什么做对了，什么做错了。是的，这就像机器代码一样，我不会展示全部内容。但这是它在每次迭代中编写的摘要。
还有很多工程上的微调手段，你可以根据自身领域进行适配。阅读这部分内容的最简单方式是访问 skills.sh 网站上的 auto browse 部分，你可以尝试类似的操作。
这是个很好的问题。确实是个好问题。我认为这回到了如何提升代理可靠性的核心问题上。可靠性是一个工程难题。你可以设计你的“控制框架”（harness），为每个任务分配一个专用技能，或者设定为一个万能技能以应对所有可能遇到的情况。我认为这完全取决于你的控制框架工程策略以及具体的使用场景。你可以针对不同的策略运行评估（evals），看看哪种方案最适合你和我们。
没错，这正是控制框架发挥作用的地方。如果控制框架具备智能，能够从 OpenTable、Resi 和 Google Reservations（谷歌预订服务）中引入技能，它就能整合这些信息来找出为你安排约会之夜的最佳方式。这就是你的解决方案：控制框架应该能够判断使用哪些工具来完成任务，这就是我处理这类问题的思路。
你需要找出客户最常见的用例是什么？针对这些用例，最佳的技能文件、提示词和工具组合是怎样的？也许你想为特定用例开发专用工具，或者为所有用例使用通用工具。这就像之前的争论一样：是为每个任务创建一个技能还是为一个万能场景创建？你可以对所有这些策略进行评估，让控制框架自行决定。
是的，这概念非常相似。比如 DSPY 项目……我觉得他们确实抓住了某些很酷的东西。大概三四年前，当他们开始构建 DSPY 等工具时……我们也一直在这一领域进行大量研究。Browserbase 与微软合作，我们实际上发表了一篇关于如何为你的代理构建合适验证器的论文。
我认为运行评估很直接，直到你开始质疑“如何评估我的评估”时才会变得复杂。比如：我需要投入大量人力来验证所有运行结果吗？或者我能在这里构建一个好的自动验证器吗？这些论文的学习成果也被我们应用其中。我可以把这些资料都分享到 GitHub 上，顺便看看这里有没有其他新问题。
这些技能是如何大规模存储和检索的？目前在这个仓库中，所有这些内容都存储在我的云端。每一个都是一个技能文件（skill file）。这是我的“食谱搜索者”。我想做点晚餐，昨天我就说：“嘿，给我弄些菜谱。”目前所有这些都在我本地的技能文件夹中。
但如果你想将其投入生产环境，当然可以将其烘焙到你的代理循环（agent loop）中。或者对于 browse.sh 上公开可用的技能，我们使用 Vercel Blob Storage（对象存储）来存储这些技能并按需调用。希望这能帮到你。
网站经常发生变化，你监测这种情况并保持网站技能更新的策略是什么？是的，这是个极好的问题。这也是我早前提到的：如何保持这些技能的更新，因为网站会发生变化。我们目前的主流理论是，你不想每天浪费 token 去运行自动研究（auto research）。
你可能希望触发它，或者当它在生产环境的某个特定点失败时再运行。我们构建了这样的循环或系统：一旦遇到任何生产故障，我们就运行自动研究循环来查看出错原因以进行修复（heal），创建拉取请求，这直接发送给人类工程师，他们会自动修复。技能随之更新。
因此，确实存在这种“生产故障”触发的概念。但这是一种权衡：你可以运行自动研究，或者每两小时、三小时进行一次样本运行以检查技能是否完美工作。因此，有不同的方式通过定时任务（cron jobs）来检查这些技能的准确性。这实际上是我目前正在与客户一起实施的一件事。
还有所有这些疑问，对吧？人们并不想要 100% 的准确率。人们可能更看重成本低十倍之类的因素。所以这就引出了这个问题：这里的教师代理（teacher agent）标准是什么？在示例中，除了达成目标外，似乎还进行了一些针对步数（turns）的优化。你还使用其他什么标准？
这又回到了自动研究循环的设计上。有一种方式是告诉你的自动研究：“嘿，我只关注成功。”一旦你让我获得成功，我就满意了。但这通常不是每个人想要的。人们希望最小化延迟，因为也许这是一个实时运行场景，你专注于能多快完成任务。
如果这是优化指标，你会关注如何尽可能快地完成它。我有时看到这些自动研究循环非常聪明，它们意识到根本不需要浏览器，于是直接逆向工程出 API 并调用它，这是你能得到的最快速度。
有时是步数的问题：你想最小化上下文循环并减少完成任务所需的步骤数。在我的案例中，我认为是否暂停或收敛由你决定。我不太关心成本，我最关心的是可靠性。所以只要你觉得相关就继续做下去，然后由教师代理决定何时停止。但你也可以尝试所有不同的策略。
如果网站支持 WebMCP，这会使用它吗？WebMCP 太酷了。这本质上是一个让网站可编程的概念。我不知道大家是否都了解这一点，这是最近新发布的 Google Chrome 版本中出现的概念：你告诉你的网站，如果有人想预订座位，他们可以在网站上执行 xyz 操作。这有点像 API，但它是基于浏览器的。
目前我认为我们的自动研究循环不支持这一点。但我认为实现起来并不难。事实上，我们最近在我们推出的 SDK 中发布了 WebMCP（注：此处原文可能指类似 MCP Model Context Protocol 或特定协议）的支持。我们还为网站所有者制作了一些工具……
大规模部署 Web MCPs。嗯，但这确实是个有趣的话题。目前我们尚未看到 Web MCP 的广泛采用。“通过测试”的地面真值（Ground Truth）这一点很有趣。嗯，我认为只要任务完成了就行，例如在 Google Flights 上找到最便宜的航班，或在 OpenTable 上完成预订。它是在自我评估，通常是二元的。嗯，是的，我完全接受“痛苦教训”（Bitter Lesson）。在这些评估中，我不倾向于设置过多的护栏。
你是否考虑过为浏览任务提供“验证器即服务”（Verifier as a Service），包括允许我们模拟某些副作用，比如购买行为？嗯，我可能需要就此追问一下。你所说的“验证器即服务”是什么意思？Ravish 如果你在场的话，是的。嗯，你的意思是……如果我理解正确的话，你拥有不同的环境用于强化学习训练，并且想要模拟如果我在复制 Amazon 时点击购买会发生什么？
不完全是。因为我们更倾向于依赖真实世界的网站。Browserbase 有幸能够访问大多数网络，接触不同的网站并捕获求解器等。所以我们尽可能模仿真实世界。但我们看到很多强化学习环境是在模拟网站，以训练构建擅长浏览 Salesforce 或 SAP 的浏览器代理。我们尽可能在真实世界的门户上做到这一点。（轻笑）
Edge captures（边缘捕获/验证码）对于技能来说容易绕过吗，还是说这是令牌激励？对网站所有者而言，Edge captures 的意义何在？如果我的理解没错，Edge capture 是一种特定类型的捕获。它有点像 Google reCAPTCHA 等验证码。嗯，是的，我可能会单独讨论这一点。我认为我们不能在这里详细讨论我们能解决或不能解决的捕获类型。
但这本身并非一项令牌密集型工作，因为它是在基础设施层完成的事情，对吧？我们真的不需要使用 AI 来解决验证码。它是在 Chrome 二进制层面解决的。我们是开箱即用地做到这一点的。“教师”如何评估“执行者”，以及技能标记何时毕业？是的。所以，它通过阅读这些追踪记录来评估执行者。
每次迭代都会创建一个文件夹，里面有一些 JSON 文件。“教师”读取这些文件，拥有一个带爪子的代理 SDK 循环，并基本上确定从该循环中得出的学习成果。实际上，我认为最后有一张幻灯片在讲这个。是的。这有点像这里的提示词，它说你是一个浏览器自动化代理。
你可以使用这些工具，“strategy.md”会在每次迭代时注入，这就是“教师”评估“执行者”工作的方式。所以，“教师”读取追踪记录，拥有系统提示词和之前的策略，并得出一个更好的策略。（轻笑）太棒了。嗯，我希望我们已经回答了所有问题。现场还有没有其他我们想讨论的问题？有。
是的，它可以与 Stagehand SDK 配合使用。它也可以在您的 Cloud Code（云代码）中工作。嗯，本质上它是一个 Markdown 文件，对吧？我取了一个技能，告诉我的 Clot Code：“你能找到本周五7月3日在 Salesforce 中的事件吗？”然后它就执行了。所以它不一定需要使用 Browserbase，也不一定需要 Stagehand。本质上它是一个技能。它是可以在任何代理或 SDK 中使用的可移植工件。
是的，好的问题。我想如果我理解正确的话，你是想问如何防止提示词注入？因为网站可能会欺骗我的自动研究循环，让它学习一些可能导致生产环境中恶意行为的东西。嗯，我们有几种方法可以做到这一点。首先是在基础设施层本身。我们在浏览器周围有一堆保护措施。
我们有一个 Browserbase 安全模式，你可以控制它访问哪些 URL，以及它可以对不同网站采取何种类型的操作。所以在基础设施层、网络防火墙层面，我们控制着这些事物。现在你可能会说，Amazon.com 有一天可能会被黑客攻击。你如何防止在这些门户上发生恶意行为呢？嗯，我认为
我们也尝试在将生成的技能发布到 browser.sh 之前，让一些安全审查代理之类的东西对它们进行运行测试。这是一种方法。我们鼓励客户建立一定水平的提示词注入护栏，特别是如果他们将此提供给消费者用户的话。例如，我们的一些客户可能想在 Amazon 上自动化一些事情，如果有人在 Amazon 上架带有隐藏指令的商品列表怎么办？你如何防止这类情况发生呢？
这就是我们要与客户合作，在指令甚至到达“硬度”（Hardness/执行层）之前构建适当护栏的地方。嗯，是的，我认为这里有三层防护。第一是在查询甚至进入我们的表面区域时，我们在技能层控制它，确保我们的技能不会被欺骗；在基础设施层，我们有网络限制和行动限制。
你可以做类似 CodeEx 或 PlotCode 做的事情，比如总是允许、仅允许一次或允许任何操作。这是 Browserbase 安全模式开箱即用的功能。我知道，从提示词注入的角度来看，浏览器是一个极其危险的威胁向量，因为它可以访问野生网络上的任何东西。这一点必须认真对待。
太棒了。如果有其他问题，我会再等10秒。这很有趣，我非常享受这个过程，我也很喜欢这些问题的质量。嗯，是的，如果你们中的任何人想扫描二维码，我会把它重新放回屏幕上。好的。
是的，没错。嗯，我想我们之前讨论过这个问题。你可以像我经常使用 Entropic Managed Agents 那样操作。我会在托管代理上运行一个定时任务（cron job），告诉它每天早上9点使用这个技能完成这项工作。如果成功，那就没问题；如果失败，就给我发送通知。这将触发一个修复循环（healing loop）。这样我就可以围绕网站变化、反机器人机制等建立检查与制衡。
我会留在这里。嗯，我还会在整个会议期间待在 Browserbase 的展位上。所以如果你好奇想多聊聊的话，我很乐意奉陪。谢谢。
[音乐]