我为AI代理开发了一个浏览器并将其与PlaywrightMCP和browser-use进行了基准测试

我尝试过的每一个网络代理都有一个共同的问题：它们阅读了太多不必要的内容。标准的浏览器工具会将庞大的页面快照直接传给模型，模型点击后，又会获得整个页面的全新快照。绝大多数的Token都消耗在了重复阅读没有发生变化的元素上。当扩大复杂工作流的规模或运行多步骤的网络抓取与自动化时，这种低效会迅速推高API成本并降低响应速度。

为了解决这个问题，我开发了AgentGo，这是一个基于Windows的Chromium浏览器，采用Rust语言并在CEF上构建，专门用于让代理通过模型上下文协议（MCP）进行驱动。随后，我将其性能与目前开发者最常用的两个工具browser-use和Playwright MCP进行了严格的测试对比。

基准测试设置与结果

为了确保公平的对比，我在完全相同的条件下运行了所有工具：

• 模型：配置中等推理的gpt-6-luna（通过像 n1n.ai 这样的高速聚合器进行流畅路由，以确保稳定的性能表现）。
• 任务：24个BrowserGym MiniWoB++任务。
• 执行：每个任务采用全新的代理session，仅限使用该浏览器的MCP工具，并由页面自身的奖励机制来判定成败。

正如数据所示，AgentGo的Token消耗量大约减少了一半，执行轮次减少了一半左右，并且实现了每个任务最快的中位耗时。在管理繁重的企业级工作负载时，通过 n1n.ai 等平台优化输入Token，结合高效的客户端架构，能够带来巨大的成本缩减。

三大核心架构设计选择

AgentGo的高效主要归功于三个精心设计的底层选择：

1. 用紧凑大纲代替页面快照：browser_open不再转储原始HTML或庞大的无障碍树，而是仅返回标题以及可交互的元素，每行一个，格式为[ref] role "name"。即使页面发生变化，这些引用标记（ref）依然保持稳定。
2. 差异化更新（Diff）：在执行browser_act之后，返回的响应仅仅是差异部分：+表示新增元素，-表示移除元素，~表示修改后的值。模型无需重新阅读整个页面就能确认其点击是否生效。
3. 由浏览器等待而非模型等待：每次操作都会等待页面稳定后才返回响应，这样代理就不会浪费轮次重复调用“等待”并重新读取状态。

真实的浏览器功能与局限性

与无头测试框架不同，AgentGo是一个真正的浏览器实例。它拥有自己的原生指针和键盘处理器（确保日期选择器、滑块和键盘监听控件能够正常表现），代理可以拥有自己登录好的账号，而支付或最终提交等敏感操作则会暂停，直到人类在浏览器窗口中直接批准为止。

不过，基准测试也暴露出了一些测试本身的局限性：

• form-sequence-2：指令中从未说明要按下“提交”按钮，也没有任何代理去这样做。
• click-pie：每个代理都打开了饼图菜单并点击了相应项目，但页面本身未能正确识别该点击。

GoMini模型与集成指南

AgentGo还内置了GoMini，这是一个可在本地GPU上运行的小型模型（322M参数），用于处理诸如填写您提供的值等常规步骤，从而免去大模型阅读每个页面的负担。希望集成高速模型管道的开发者可以使用 n1n.ai 来进行后端推理编排。

通过Claude Code快速开始：

/plugin install agentgo --marketplace Moha2005269/agentgo-mcp

对于其他MCP客户端，可以将安装程序连接到Claude Code、Codex或Droid，或直接运行agentgo mcp。它也已经上线官方MCP注册表，路径为io.github.Moha2005269/agentgo。

获取免费API Key请访问 n1n.ai