让Agent操作网页，先管住它每次看多少页面

LangChain 在 X 上发了一条关于 browser use 的短文，点出一个容易被忽略的成本：让 agent 操作为人设计的网站，会很快把上下文窗口塞满。

Browser use 听起来直白，agent 打开页面、读内容、点按钮、填表单。麻烦在于页面本身很重。DOM、可访问树、截图、文本快照，随便一种观察方式都可能占掉大量 token。工作台就那么大，页面多摊开一点，留给推理和记忆的空间就少一点。

LangChain 说他们在 Managed Deep Agents 里挑选并调优了 browser tools，底层用 Browserbase 的 Stagehand。原帖在这里：LangChain 的原帖。Sydney Runkle 写了一篇更长的文章：文章链接。

回复里有两个具体做法。有网友说，先把页面导出成裁剪过的快照，再让 agent 行动，不复杂。另一位网友补了一句，页面 dump 会很快吃掉上下文。两种说法指向同一件事：观察面要收。对开发者，这更像 observation budget 的问题，不像模型参数的问题。对普通用户，可以理解成别把整本说明书一次摊在桌上，只翻当前要用的那页。

还有个细节来自 Alek：延迟表单验证。页面安静下来，Submit 仍然禁用，agent 能不能继续操作，得看下一步动作是否可用。Kala 也提到，那些 8 秒的小睡会累积，traces 抓到了它们。浏览器不会因为 agent 来了就变轻。工具设计里，等多久、看多少、什么时候算准备好，都是硬问题。

这篇值得读的地方，是它把 browser tools 的选择和调参摆到台面上。能点只是起点，每次看多少页面、怎么判断页面就绪，才决定 agent 在真实网站上能不能稳住。