Browser Agent Token 燒光解決方案：2026 主流分流架構實作

annie · July 24, 2026, 6:02am

掌握 browser-use、模型分流、觀測壓縮三大核心技術，將瀏覽器自動化成本降低 90% 並保持高精度操作。附完整代碼範例與架構選型指南。

核心問題：為什麼 ChatGPT Browser 會燒光 Token

ChatGPT Pro 的 Browser/Operator 能力雖強，但每個操作步驟都將完整 DOM、截圖、無障礙樹塞入上下文，再由高推理模型決策「下一步動作」。點擊、登入、填表等低技術含量步驟同樣消耗昂貴推理額度，導致 Pro 配額快速耗盡。

三大消耗來源疊加：

觀測資料過大：完整 DOM/截圖描述遠超「可互動元素清單」
模型價值錯位：高推理模型處理單純點擊、翻頁動作
閉環無法分流：整段 Session 綁定單一模型與額度池

2026 主流解法：三層架構設計

開源社群共識已非單純「換套件」，而是 觀測壓縮 + 模型分層路由 + 瀏覽器基礎設施 三層協同。

1. 雙層/三層 Model Routing（核心分流）

使用者目標
    │
    ▼
┌───────────────────┐
│  Planner / Router │  ← 中大型模型或規則+小模型
│  拆步、判斷難度    │
└─────────┬─────────┘
          │
    ┌─────┴─────┐
    ▼           ▼
 簡單步         困難步
 (click/type/   (驗證碼策略、
  extract表格)   模糊 UI、多步推理)
    │           │
    ▼           ▼
 Flash/DeepSeek  GPT-5.x/Claude
 bu-fast         Opus/bu-SOTA
    │           │
    └─────┬─────┘
          ▼
   browser-use Agent
   + Playwright / Cloud Browser

常態步驟（點擊、已知流程登入、爬表、下載）：gemini-flash、DeepSeek、browser-use 官方 bu-* 快模型
異常/高風險步驟（找不到按鈕、業務規則判斷、付款確認）：升級至 GPT-5.x / Claude Opus / 官方 SOTA browser 模型
實作關鍵：同一個 Agent 僅換 llm= 參數即可完成分流

2. 觀測壓縮（比換模型更省 Token）

原則：LLM 只看「可互動元素索引 + 任務相關文字」，截圖留給真正需要視覺的步驟。

方案	技術路線	壓縮效果
browser-use	Playwright + 精簡 action space（點、打字、滾、擷取）	基礎級
agent-browser (Vercel)	a11y tree + 元素 ref 取代整頁 DOM	最高約 93% 減量（視頁面而異）

3. 兩種部署型態選擇

型態	代表方案	優點	代價
Local OSS	browser-use + 本機 Chrome profile	免費、複用已登入 Cookie、完全可控	反爬/CAPTCHA 弱、自行維運
Cloud Browser	Browser Use Cloud / Browserbase	Stealth、Proxy、打碼、並行、可觀測	按 Session/時數付費，但通常低於 Pro 被榨乾

官方建議：複雜與 Production 場景用 Cloud agent，日常腳本用開源 + 自選 LLM。

4. 個人 Operator 殼層：OpenClaw + Browser Skill

若需「像 ChatGPT App 一樣隨時下指令操作瀏覽器」的對話體驗：

跑 OpenClaw（或 Claude Code / Codex）當對話殼
掛載 browser-use skill 或 agent-browser skill
System prompt 寫明：「只有 needs_reasoning=true 才升級模型」

browser-use README 已將 OpenClaw / Codex 列為一等整合對象。

想接近 GPT-5.6 精準度：主流「準又省」組合

「平價模型 + browser-use」不自動等於 Operator 級精度。差距在規劃品質、動態 UI 恢復力、反爬環境。實務最常見組合：

預設執行模型：Browser Use 官方 browser-optimized 模型（ChatBrowserUse / bu-*）——官方稱平均快 3–5× 且維持 SOTA 準度
備援升級：任務失敗 N 次或信心度低 → 自動改呼叫 GPT-5.x / Claude
認證複用：重用真實 Chrome profile，避免每步重新登入燒 Token
難站處理：上 Cloud stealth browser，而非硬用 headless 本地 Chrome 撞 CAPTCHA
結構化輸出：能 extract 成 JSON/CSV 就別讓模型「用散文描述整個頁面」

最小可跑概念（官方風格）

from browser_use import Agent, ChatBrowserUse
# 或：ChatGoogle / ChatOpenAI / 自架 OpenAI-compatible

agent = Agent(
    task="登入後台，匯出本週訂單 CSV",
    llm=ChatBrowserUse(model="bu-2-0\)),  # 快且專為 browser
    # 困難任務再改：
    # llm=ChatBrowserUse(model="openai/gpt-5.5\)),
)
await agent.run()

分流可在外層 Router 實作：先用廉價模型產 Plan；逐步執行時，僅對 act 失敗或 needs_vision 的 Step 換強模型。

與「繼續用 ChatGPT Pro Browser」怎麼選

需求	較適合方案
偶發、高難、要零維運	留在 ChatGPT Pro / Codex Browser
每日重複：登入、填表、爬表、QA、監控	browser-use + 平價/專用 browser 模型
TS 產品、要隱身與並行 API	Stagehand + Browserbase
要「自己的常駐 Operator」對話體驗	OpenClaw + browser skill，底層建議 browser-use / agent-browser

多數重度使用者最終採 混合策略：90% 步數走開源分流，10% 卡關才回 Pro UI 或頂級 API。

實務落地優先順序（針對 Token 爆掉的重度使用者）

先落地 browser-use/browser-use（星數與生態碾壓，Python、任意 LLM、Codex/OpenClaw 可接）
預設模型改官方 browser 優化型或 Gemini Flash 級；保留一組 GPT-5.x Key 當 Fallback
登入態用本機 Profile 或 Cloud Profile Sync，砍掉重複登入 Token
若 Context 仍爆：評估 agent-browser 的 a11y/ref 觀測層
反爬/驗證碼多：再加 Browser Use Cloud 或 Browserbase（搭配 Stagehand）
想維持「App 裡下指令」手感：用 OpenClaw / Codex 當殼，而非繼續把整段 Browser Loop 綁在 Pro 額度上

一句話總結

Browser Use / Browserbase API 分流已驗證為 2026 主流且正確；GitHub 絕對核心是 browser-use/browser-use（~105k★），TS/雲端線看 browserbase/stagehand，個人 Operator 殼看 OpenClaw + browser skill。

要又省又準：精簡觀測 + 廉價模型跑常態 DOM 動作 + 頂級模型只處理規劃與失敗恢復，而非繼續用 GPT-5.6 高推理模式去點每一個按鈕。

Repo	Stars	定位	何時選它
browser-use/browser-use	~105k	Python AI browser agent 事實標準；任意 LLM、Playwright、local/cloud	預設首選：省 Token、模型分流、接 Codex/Cursor/OpenClaw
browserbase/stagehand	~23k	TS「自然語言+程式碼」混用；接 Browserbase	Node/TS 棧、要 Production 隱身瀏覽器與可觀測性
openclaw/openclaw	成長中	個人 AI Assistant 生態，把 browser skill 掛進日常 Agent	要 24/7 助手、多通道，而非純 Library
vercel-labs/agent-browser	成長中	用 accessibility tree + ref 取代整頁 DOM，強調大幅省 Context	長對話 Agent、Context 爆掉時的觀測層優化