让网页等AI决策，ABP解决浏览器自动化竞速难题

想象一下：你让AI帮你在DoorDash上点一份宫保鸡丁，它刚点完搜索按钮，页面还在加载转圈，AI已经迫不及待要点击那个根本不存在的“下单”按钮——这种“AI和浏览器抢时间”的混乱，就是过去所有网页自动化工具的噩梦。但现在，Han Wang团队基于Chromium改造的ABP浏览器，把这个噩梦变成了历史。它在Online Mind2Web基准测试里拿到了90.53%的高分，这个成绩意味着AI终于能像人一样，一步一步稳稳地操作网页，再也不会因为页面加载慢而“手忙脚乱”。为什么ABP能做到这一点？答案藏在它把“连续网页”拆成“离散步骤”的核心设计里。

连续网页与离散AI的天生矛盾

你每天刷的网页，本质是个永远在动的“异步游乐场”：下拉刷新会加载新内容，弹窗突然蹦出来，广告自动播放视频——所有元素都在按自己的节奏变化。但AI的思考逻辑是“离散”的：它必须先看清楚当前页面，做出一个决策，执行一个动作，然后再看下一个页面。

过去的自动化工具比如Selenium、Playwright，只能用“打补丁”的方式解决这个矛盾：让AI在每一步都等几秒，或者反复检查某个元素是否加载完成。但这种方法既低效又不可靠——网络慢的时候等不够，网络快的时候又浪费时间，遇到复杂的动态页面，AI还是会频繁“点错按钮”或者“找不到东西”。

这就像你和一个永远在动的靶子比射箭，你刚瞄准，靶子就挪了位置，你只能不停地调整姿势，永远射不准。

ABP的核心：让网页“冻结”等待AI决策

ABP的解决方案简单又激进：它直接把网页变成了一个“步骤机”——每一次AI操作，都是一个独立的HTTP请求，而浏览器会严格执行“执行-稳定-冻结”的流程：

1. 注入真实输入：AI发送一个“点击”或“输入”请求，ABP会像人一样，通过Chromium的原生输入系统触发动作，而不是模拟点击；
2. 等待页面稳定：ABP会等待浏览器引擎确认页面完全“settled”——所有动态内容加载完成，JavaScript执行完毕，没有任何异步操作在运行；

3. 冻结整个世界：页面稳定后，ABP会立刻暂停JavaScript执行，冻结虚拟时间，让页面彻底静止，同时捕获带光标的合成器截图，收集所有事件日志；

4. 返回稳定状态：把截图、事件日志和页面状态打包返回给AI，直到AI发送下一个请求，页面才会“解冻”继续运行。

这个过程就像你看视频时按下暂停键，每一个帧都是稳定的，AI可以慢慢研究这个帧，再决定下一步怎么操作。而且整个过程只需要简单的HTTP请求，不需要复杂的WebSocket或CDP会话管理，单次动作的开销只有约100毫秒——瓶颈再也不是浏览器，而是AI自己的思考速度。

比传统工具强在哪？不止是不抢时间

和Selenium、Playwright这些传统工具比，ABP的优势不止是解决了“竞速问题”：

它内置了事件收集和元素标记功能，AI拿到的截图上会自动标出哪些元素是可点击、可输入的，不需要额外调用工具去识别；它还会把所有操作细节——包括前后截图、事件、滚动状态——自动记录到SQLite数据库里，这些数据可以直接用来训练视觉语言模型，让AI越来越会操作网页。

更重要的是，ABP的设计从底层考虑了安全性：它默认阻止真实系统输入，避免AI操作和人类操作冲突；所有请求都在本地运行，数据不会上传到第三方服务器；每一个操作都是原子性的，要么完全执行，要么完全不执行，不会出现“半拉子”操作导致的页面混乱。

我认为，ABP最被低估的价值，是它重新定义了AI和网页的交互方式——过去是AI去适应网页的节奏，现在是网页来配合AI的思考。这不是小修小补的优化，而是从底层逻辑上的范式转换。

当我们还在争论大模型参数够不够大的时候，ABP用一个更务实的思路解决了AI落地的实际问题：与其让AI变得更聪明去适应混乱的网页，不如把网页变得更有序来配合AI。

这种“把复杂问题简单化”的思路，恰恰是技术创新最珍贵的地方。未来，随着WebMCP这类标准化协议的普及，网页可能会直接向AI开放结构化的操作接口，但ABP的“离散化+冻结”设计，已经为AI代理和网页的协作打下了最坚实的基础。

让网页等一等，AI才能走得稳。