微软研究院开源Webwright框架：以代码驱动重构网页智能体执行逻辑

近日，微软研究院正式开源了名为Webwright的网页智能体（Web Agent）框架，旨在改变当前大模型操作浏览器的技术范式。该框架的核心变革在于从传统的模拟用户交互（如“点击、滚动”）转向以代码执行为导向的开发模式。

根据微软公开的技术文档与代码库显示，Webwright摒弃了依赖DOM树预测点击的传统方案，转而利用Playwright工具和Bash命令实现更具逻辑性的任务处理。该架构设计高度精简，总代码量约1000行，由Runner（执行循环）、Model Endpoint（模型接口）及Terminal Environment（终端环境）三个模块组成。其工作流程为：模型在隔离的终端环境下生成并运行Shell命令，根据执行结果（如报错日志、网页截图）进行自主迭代与调试。

业界专家指出，此架构相较于以往的“点击式”交互具备明显优势。首先，代码化输出使得操作步骤具备可重用性，能够转化为标准化的RPA（机器人流程自动化）脚本。其次，依托编程语言的逻辑控制能力，模型在处理多步跳转、条件判断及表单填写等长链路任务时，展现出了更高的工程稳定性。此外，针对大模型常见的“幻觉”现象，Webwright引入了门控自检机制，要求模型通过最终脚本的二次校验来确认任务达成，而非依赖模型的直接判断。

在性能指标方面，Webwright在相关基准测试中展现出显著竞争力。据项目官方数据显示，在应对Odysseys等复杂长链路任务时，结合先进大模型运行的Webwright方案，其任务完成得分较基础模型有大幅提升，并表现出在处理长序列任务时的上下文压缩与管理优势。

目前，Webwright已在GitHub平台向开发者社区开放。这一进展标志着网页自动化领域正由“模仿界面交互”向“可编程自动化”转型，进一步强化了人工智能作为自动化生产力工具的工程属性。