深度拆解：为什么通用 Agent 的下一站是 Agentic Browser？

01 / 缘起

2025 年的 AI 科技圈，喧嚣依旧，但一个新的风暴眼正悄然形成。当多数人对 Agent 分类还停留在通用和垂类这种按领域适用性划分方式时，一个以技术载体为出发点的新兴 Agent 物种正在悄然形成行业共识——Agentic Browser（智能体浏览器）。

从海外备受瞩目的Comet、Dia，到国内Fellou、豆包，以及传统浏览器厂商Chrome、夸克、QQ浏览器。一场围绕浏览器形态的“AI 文艺复兴”正蓄势待发。甚至连OpenAI，也在24年底挖角Chrome，坊间传闻正在秘密打造自己的浏览器作为ChatGPT的新技术载体。

面对这样的行业瞬息变化，我不禁在思考：

• 在Agent元年，本该是Agent应用百花齐放，各种APP、Web应用层出不穷的画面，为何突兀地杀出个“Agentic Browser”？
• 这背后，究竟是什么力量在悄然驱动？
• Agentic Browser 这个略显陌生的名词，它究竟代表着什么？它与我们常说的 AI Browser 又有何不同？
• 为什么那些在通用 Agent 领域深耕的玩家们，不约而同地将目光聚焦到了浏览器这条看似传统的赛道？
• Agentic Browser，它真的会是通用 Agent 演进的下一站吗？
• 这个诞生于上世纪的“老古董”，凭什么能承载行业对于通用 AI Agent 的终极想象？

本文尝试通过研究和系统分析尝试回答上述问题，字数9000+字，阅读大概需要15分钟

欢迎关注我和我一起畅聊AI

02 / 故事要从 Perplexity 讲起

要理解这场变革的端倪，我们不妨将视线投向一家名为 Perplexity 的公司。

2024 年初，Perplexity 的创始人 Aravind Srinivas 站在摩托罗拉的会议室里，他的演示充满了对未来的憧憬，试图说服这家老牌手机制造商将 Perplexity 设置为其新款手机的默认 AI 助手。然而，演示刚刚结束，一通来自谷歌的警告电话如同一盆冷水，浇灭了合作的火花：“如果你们预装 Perplexity，摩托罗拉将可能失去 Android 的官方授权以及 Play Store 的使用权。”合作，在这样的压力下，瞬间化为泡影。

这并非孤例。我们看到，微软的 Windows 系统已经将 Copilot 深度绑定，用户甚至无法轻易卸载；苹果的 iOS 生态，对于第三方的 AI 助手，更是设置了层层权限壁垒。Aravind Srinivas 敏锐地意识到，传统的操作系统厂商，正凭借其强大的“生态霸权”，在无形中扼杀着 AI 创新者的生存空间。

更让 Perplexity 团队感到棘手的是，我们日常使用的传统浏览器，例如 Chrome，如同一个数据堡垒（浏览器的同源策略），将用户的宝贵数据牢牢囚禁在每一个网站所有者的“封闭花园”之中。这意味着，Perplexity 这样的通用 Agent，无法触及用户真实的购物记录、社交动态，甚至连“帮我比较一下几家酒店价格”这样基础的跨网站任务，也无法执行。

在一次内部会议上，工程师展示的数据揭示了残酷的现实：当用户搜索“帮我预订去巴厘岛的行程”时，由于 Perplexity 无法访问用户已经登录的 Booking.com 或 Skyscanner 等平台的内部数据，它只能给出一些泛泛的、缺乏个性化的建议。相比之下，谷歌却能够轻易调用 Gmail 中的日历信息、地图中的历史足迹，从而直接生成高度个性化的出行方案。

Aravind Srinivas 的这声叹息，道出了许多 AI Agent 开发者的无奈。

转机出现在美国司法部针对谷歌的反垄断诉讼中。当媒体曝光“强制谷歌剥离 Chrome 浏览器”的提案时，Perplexity 团队嗅到了机会的气息，连夜召开了战略研讨会。他们深刻洞察到：浏览器，是打破操作系统现有格局、释放 AI Agent 潜能的关键钥匙。 它不仅能够巧妙地绕过 iOS 和 Android 系统的预装封锁，更有潜力合法合规地获取用户全维度的数据——从浏览时长、私密的交易信息，到复杂的跨站点行为模式——这些，都将成为驱动 AI Agent 高效行动的“燃料”。

仅仅三个月后，一款名为 Comet 的浏览器正式面向公众。它的雄心，并不仅仅是成为一个更好的信息入口，而是直指AI操作系统。

03 / 什么是通用 Agent、AI 搜索、AI 浏览器、Agentic Browser？

在深入探讨为何 Agentic Browser 可能是通用 Agent 的下一站之前，我们有必要先厘清几个容易混淆的概念：

• 通用 Agent (General Agent)：

我们可以将其理解为一个具备自主理解、规划、执行能力的智能实体。它的目标是能够像人类助手一样，在广泛的领域和多样的任务中提供帮助，而不仅仅局限于特定功能。它强调的是自主性和通用性。代表性产品是：ChatGPT、Manus、Flowith、豆包等。

• AI 搜索 (AI Search)：

这更侧重于利用人工智能技术改进搜索结果的相关性和呈现方式。例如，通过自然语言处理理解用户更复杂的查询意图，或者以摘要、问答等形式直接给出答案，而不仅仅是罗列链接。Perplexity 最初的形态，更接近于一个高级的 AI 搜索引擎。它的核心在于信息获取和理解。国内的秘塔搜索也属于这个类别。

• AI 浏览器 (AI Browser)：

这通常指的是在传统浏览器基础上，集成了一些 AI 功能的浏览器。例如，侧边栏的 AI 助手、网页内容总结、智能翻译等。它们在一定程度上提升了浏览效率和体验，但其核心架构和交互模式并未发生根本性改变。AI 浏览器更像是在现有交通工具上增加了导航系统，提升了辅助驾驶能力。国内例如QQ浏览器、夸克等之前一直属于这个分类

• Agentic Browser：

这代表了一种更深层次的进化。Agentic Browser 不仅仅是将 AI 作为辅助工具集成进来，而是将浏览器本身视为一个 Agent 执行其任务的平台和环境。它强调的是浏览器赋能 Agent，使其具备更强的上下文感知、任务执行和跨应用操作能力。它追求的是让 Agent 能够主动地、深度地在浏览器环境中“行动”起来，而不仅仅是被动地响应用户指令。

简单理解就是：

• 通用Agent是每个人的“万能AI助理”。
• AI 搜索 核心在于“更好地搜索最实时最准确深入的信息并回答问题”。
• AI 浏览器 侧重于“更好地辅助浏览”。
• Agentic Browser 的关键则在于“更好地代你行动”。

04 / 为什么通用 Agent 载体是浏览器，而不是 APP、Web？

越来越多的迹象表明，浏览器这个我们日常生活中几乎离不开的互联网入口，正逐渐显露出成为通用 Agent 最佳载体的巨大潜力。这并非偶然，而是由浏览器自身独特的属性和其在数字生态中所扮演的关键角色决定的。我们可以从几个关键维度来审视这一趋势。

1. 1. 上下文的控制能力
2. 2. 本地OS的控制能力
3. 3. 跨应用的连接能力
4. 4. 浏览器是天然的通用 Agent 载体
5. 5. 浏览器是后来者通向OS和终端的最佳路径

A：Agent 时代之争不仅仅是注意力之争，更是上下文控制权之争

在 Agent 崛起的时代，仅仅争夺用户的注意力已经远远不够，更深层次的较量在于对“上下文（Context）”的掌控。上下文是 Agent 理解用户意图、提供个性化服务、高效执行任务的基石，甚至是基于RL强化的模型训练范式下获取用户端到端的反馈信号的重中之重。在这方面，浏览器所能提供的上下文深度和广度，是其他应用形态难以企及的。

上下文深度

浏览器是用户与数字世界交互最直接、最持久的窗口。用户的每一次点击、每一次输入、每一个页面的停留时长，甚至鼠标滚动的速度和轨迹，都蕴含着丰富的行为习惯、潜在偏好和即时需求。

• 用户偏好上下文：由于 Agent 在浏览器环境中能够执行的任务类型更加多样，这意味着它可以收集到更丰富的用户行为数据。通过对这些数据进行时序分析，构建精准的用户画像和动态偏好模型，其可行性远超单一功能的 APP。
• 例如，一些前沿的 Agentic Browser 探索，如 Fellou 提出的 VIEP（Visual Interaction Element Perception 视觉交互元素感知） 技术，就试图通过分析用户鼠标轨迹的加速度曲线，来判断用户对页面上不同元素的关注强度——是快速划过，还是长时间悬停？这种细致入微的观察，使得 AI 能够动态调整其介入策略，提供更恰当的辅助。
• 再比如，Dia 浏览器提出的“智能光标”概念，它尝试将用户的划词高亮动作转化为具有语义的标记（例如，黄色高亮可能代表“重要论点”，蓝色高亮则可能表示“存疑内容”）。这种方式能够为 AI 构建一个更为细粒度的用户意图图谱，远比简单的关键词搜索要精准得多。

上下文广度

浏览器天然具备跨越应用边界的能力。

• 它可以记录用户历史访问过的所有网页，无论这些网页属于哪个网站或平台（如 Github、淘宝、携程等）。
• 它可以感知用户当前打开的所有标签页，了解用户可能正在并行处理的任务。
• 它可以记录用户与内置 AI 助手的历史对话，形成持续的交互记忆。
• 更进一步，通过用户的授权和原生登录交互，Agentic Browser 甚至有潜力获取用户在各个孤立应用内部的上下文信息。
• 不仅如此，它还能连接到用户本地电脑上的应用，如日历、邮件客户端、本地文件系统乃至备忘录等，真正实现数字生活上下文的全面打通。

B：本地 OS 控制能力是解决全场景问题必须具备的能力

通用 Agent 要想真正发挥其“通用”的价值，仅仅停留在云端或沙箱化的应用内部是远远不够的。它需要具备与用户所处的计算环境进行更深度交互的能力，这其中就包括对本地操作系统的控制能力。在这方面，浏览器作为一种特殊的应用程序，相比传统的 APP 和纯粹的 Web 服务，在触达本地资源方面展现出独特的优势。

我们以 Fellou 的架构为例，它清晰地展示了如何通过整合浏览器（Browser）、智能体（Agent）、以及工作流自动化（Workflow Automation）这三元能力，来实现对本地资源的深度控制与协同。

• 对操作系统与文件系统的直接触达：传统的网页应用受限于浏览器的安全沙箱，对本地文件系统的访问受到严格限制。然而，新兴的 Agentic Browser 正在尝试突破这一限制。例如，Fellou 的设计使其可以直接与操作系统进行交互，控制文件系统，甚至调用本地安装的应用程序，如日历、邮件客户端、乃至命令行工具。这使得浏览器不再仅仅是一个网页的展示器，而是摇身一变，成为了一个连接用户数字生态方方面面的“超级终端”。
• 灵活的硬件资源调度：为了高效执行任务，Agentic Browser 还需要具备智能调度硬件资源的能力。Fellou 提出的 混合影子空间（Hybrid Shadow Workspace） 技术，便是一个有趣的尝试。它可以根据任务的不同类型，动态地分配计算资源：
• 本地即时响应：对于那些需要快速响应的短任务，比如“帮我新建一个日历事件”，Agent 可以直接调用本地计算机的资源来完成，确保低延迟。
• 本地虚拟化执行：对于一些相对耗时较长，但又需要访问本地数据的任务，例如“整理我过去一周的邮件，并生成一个待办事项清单”，Agent 可以在一个隔离的本地沙箱环境中运行。这样做的好处是，既能利用本地数据，又不会干扰用户当前正在进行的其他操作。
• 云端桌面协同：而对于那些对本地环境依赖较低，或者需要强大计算能力的任务，比如“分析一个大型 GitHub 代码库的贡献者活跃度”，则可以无缝地切换到云端执行。

这种对本地 OS 更深层次的控制能力，意味着 Agent 可以为用户处理更广泛、更复杂的事务。它不再局限于网页内容的浏览和简单交互，而是能够真正深入到用户的工作流中，成为一个更加得力的数字助手。Perplexity 的 CEO Aravind Srinivas 也曾明确提出，浏览器是构建 AI Agent 的最佳容器，一个关键原因就在于其有潜力具备操作系统级别的资源调度能力。

Fellou 团队甚至计划发布一套 Agentic Browser 的评估基准（Benchmark），旨在构建一个横跨不同操作环境、不同设备类型、以及不同应用场景的任务集合。他们希望通过这套基准来系统性地验证 Agentic Browser 在真实生产环境中提升用户生产力的实际能力。这无疑也从一个侧面反映出，业界对于浏览器在本地控制能力上的期望。

C：跨应用的连接能力

在当今这个由无数应用程序和服务构成的数字世界里，信息的孤岛效应和操作的割裂感是用户面临的普遍痛点。通用 Agent 的一个核心使命，就是要打破这些壁垒，实现跨应用的无缝连接与协同。而浏览器，凭借其独特的生态位和技术特性，正成为承载这一使命的理想平台。

想象一下，我们有多少日常任务需要辗转于不同的 APP 或网站之间？

• 预订一次旅行可能需要同时打开携程或者航空公司的APP、酒店预订平台、地图服务、美食点评、攻略社区。
• 完成一份市场调研报告，可能需要从新闻门户、行业数据库、社交媒体等多个来源搜集信息，再汇总到文档编辑工具中。

这种切换和整合的成本，往往是巨大的。

Agentic Browser 的出现，为解决这一难题提供了新的思路。它不仅仅是信息的聚合器，更致力于成为一个行动的协调者。

• 浏览器操控本地操作系统与应用：正如我们前面讨论的，Agentic Browser 正在突破传统网页的限制，寻求与本地操作系统更深度的整合。这意味着 Agent 可以通过浏览器直接调用本地安装的应用程序。例如，用户可以通过语音或文本向浏览器中的 Agent 发出指令：“帮我把刚才下载的这份报告用邮件发给张三，并附言提醒他下周三开会讨论。”Agent 可以理解指令，定位文件，启动邮件客户端，填好收件人、主题和正文，甚至自动添加附件，等待用户最终确认发送。更进一步，通过类似 MCP（Model Context Protocol 模型上下文协议） 这样的多智能体协作协议，浏览器中的 Agent 还能与其他遵循相同协议的智能体或服务进行交互，无论是本地的还是云端的，从而实现更复杂的跨平台操作的原子化重组。

• 跨网站的工作流自动化：这是 Agentic Browser 最能大显身手的领域之一。我们每天都会在不同的网站间执行重复性的操作。例如，一位内容创作者可能需要定期将自己在小红书、抖音、微信公众号上发布的内容进行汇总和备份；一位市场分析师可能需要每天从多个电商平台抓取竞品的价格和销量数据。Agentic Browser 可以通过其内置的 Workflow Automation 层，将这些繁琐的、跨网站的工作流自动化。

• Fellou 展示过一些引人注目的案例，比如
• “自动关注某篇文章中提及的所有 Twitter 博主”，这涉及到从一个内容平台跳转到另一个社交平台执行关注操作。
• “在亚马逊上筛选出符合特定条件的显卡，并将它们自动加入购物车”，这是一个典型的电商场景自动化。
• “将 Product Hunt 每日排名前八的产品信息，自动同步到 Notion 数据库中”，这实现了跨应用的数据整合与流转。
• Fellou 甚至开发了名为 Eko 的框架，用于实现任务的动态规划和韧性执行，使其能够更好地适应网站改版等动态变化，确保自动化流程的稳定可靠。

• 打破传统巨头的封闭生态：大型互联网公司往往会构建自己的封闭生态系统，数据和服务在内部流转，却难以被外部高效利用。Agentic Browser 凭借其“深入行动（Deep Action）”的能力，有潜力在一定程度上打破这种局面。
• 访问私有站点：传统的 AI 工具往往只能处理公开可访问的网页数据。但 Agentic Browser 可以通过用户授权，安全地登录需要认证的私有站点，如 LinkedIn、淘宝、飞书文档、企业内网等，执行更复杂的操作，例如“帮我抓取 LinkedIn 上所有符合特定职位描述的招聘信息”。
• 构建开放的智能体生态：通过Agent Store的概念，开发者可以将自己针对特定网站或特定任务的解决方案封装成独立的 Agent，并进行分享。例如，一个“淘宝精准比价助手” Agent，可以帮助用户在淘宝复杂的商品列表中找到性价比最高的选择。这种开放的生态，间接地挑战了平台的数据垄断，让数据和能力能够更自由地流动和组合。

D：浏览器是天然的通用 Agent 载体

当我们把目光从具体的技术特性拉远，审视浏览器在整个数字生态中的角色时，会发现它天然就具备成为通用 Agent 理想载体的诸多禀赋。这并非刻意拔高，而是其历史演进和用户习惯共同塑造的结果。

首先，浏览器是互联网内容的通用容器。万维网（World Wide Web）的诞生，其核心理念便是通过超链接将全球的信息连接起来，而浏览器正是实现这一理念的客户端工具。无论是新闻门户、社交媒体、电商平台，还是在线办公、娱乐影音，几乎所有的互联网服务最终都会以网页的形式呈现。这种对内容形态的普适性，使得浏览器成为了一个天然的、无需额外适配的“万能交互界面”。通用 Agent 若想在广阔的数字世界中畅游无阻，浏览器无疑是最平坦、最宽阔的出发点。

其次，浏览器承载了用户规模庞大的固有习惯。数十年互联网的发展，已经让用户对通过浏览器获取信息、使用服务形成了根深蒂固的习惯。我们遇到问题时，会下意识地打开浏览器搜索；我们需要在线购物时，会熟练地输入电商网站的地址。这种用户习惯的继承，对于通用 Agent 的普及至关重要。将 Agent 的能力融入用户已经熟悉的环境中，远比强制用户学习一套全新的交互范式要容易得多。Agentic Browser 恰恰是站在了这一“巨人的肩膀上”，它让 Agent 的能力能够以一种更自然、更低门槛的方式触达海量用户。

再者，浏览器本身就是一个不断进化的“小操作系统”。从最初简单的 HTML 渲染引擎，到如今支持复杂 Web 应用、扩展插件、本地存储、硬件加速的强大平台，浏览器的功能边界在持续扩张。它有自己的进程管理、内存管理、安全机制，甚至开始涉足文件系统访问、设备 API 调用等原本属于操作系统核心的领域。这种“准操作系统”的特性，为通用 Agent 提供了施展能力的“土壤”和必要的“基础设施”。Agent 需要环境来感知，需要工具来行动，而现代浏览器恰恰能提供这一切。

E：Agentic浏览器厂商具备成为另一个 Apple 的可能性

当我们谈论浏览器作为通用 Agent 的载体时，目光可以放得更长远一些。浏览器未来的演进路径，并不仅仅局限于成为一个更智能的上网工具，它甚至有潜力沿着“浏览器 → 操作系统 → 硬件”这条被验证过的路径，发展成为数字时代新的生态核心，具备成为“另一个 Apple”的想象空间。

回顾科技史，Chrome OS 和 Chromebook 的出现，已经为我们展示了这条路径的技术可行性。谷歌通过将其强大的 Chrome 浏览器内核与 Linux 底层结合，成功打造了一个轻量级、云优先的操作系统，并催生了 Chromebook 这一全新的硬件品类。虽然 Chrome OS 的生态规模和市场占有率与 Windows 或 macOS 相比仍有差距，但它清晰地证明了：以浏览器为核心，向上构建操作系统，再向下延伸至定制化硬件，这条路是走得通的。

那么，Agentic Browser 的出现，又为这条路径增添了哪些新的想象力呢？

• 从“信息入口”到“任务中枢”：传统的浏览器更多扮演的是信息获取的入口角色。而 Agentic Browser，通过深度整合 Agent 的能力，正在将浏览器转变为用户数字生活的“任务执行中枢”。当浏览器能够主动理解用户需求、智能规划任务、并跨应用执行操作时，它实际上已经在扮演一部分操作系统的角色——管理用户的数字任务流。

• “AI 优先”的操作系统内核：未来的 Agentic OS，其内核设计理念可能会从传统的“应用优先”或“文件优先”转变为“AI 优先”或“任务优先”。这意味着操作系统的资源调度、交互设计、安全模型等，都将围绕如何更好地支持 Agent 的运行、如何更高效地完成用户委托的任务来进行构建。这可能催生出全新的操作系统架构和人机交互范式。

• 为 Agent 定制的硬件：一旦基于 Agentic Browser 的操作系统生态逐渐成熟，为了提供极致的性能和体验，出现专门为其定制的硬件也就顺理成章。这些硬件可能会在芯片层面集成专门用于加速 AI 计算的单元，可能会配备更先进的传感器以增强 Agent 对物理世界的感知能力，也可能会在设计上更强调多模态交互和沉浸式体验。想象一下，未来的“AgentBook”或“AgentPad”，其核心竞争力可能不再是传统的 CPU 主频或内存大小，而是其内置 Agent 的智能水平和任务执行效率。

• 开放与封闭的再平衡：苹果的成功在很大程度上得益于其软硬件一体化的封闭生态所带来的极致体验和高利润率。Agentic Browser 引领的这条新路径，也可能在开放与封闭之间寻求新的平衡。一方面，它可能像 Web 一样保持开放性，吸引广泛的开发者参与构建 Agent 生态；另一方面，它也可能通过对核心 Agent 能力、操作系统特性以及硬件设计的掌控，来构建差异化的竞争优势。

04 / 小结

潮水的方向，已然清晰。从 Perplexity 的困境与突围，到 Fellou、Dia 等先行者的勇敢探索，我们不难发现，Agentic Browser 并非一时兴起的概念炒作，而是通用 Agent 寻求更佳栖息地、释放更大潜能的必然选择。

它不仅仅是 AI 搜索的延伸，或是传统 AI 浏览器的简单升级。Agentic Browser 的核心，在于将浏览器从一个被动的“信息视窗”，转变为一个主动的“智能工坊”。它赋予了 Agent 前所未有的上下文感知深度与广度，打通了连接本地操作系统与跨应用服务的关键链路，并继承了浏览器天然的内容通用性和庞大的用户基石。

这场变革，争夺的早已不是用户的注意力，而是对用户数字世界“上下文”的深度掌控，以及在此基础上的“行动力”。浏览器，凭借其独特的生态位，正成为这场争夺战的核心战场。

未来，Agentic Browser 或许真的能够沿着 Chrome OS 的足迹，向上生长为全新的 AI 优先操作系统，向下延伸至为 Agent 量身定制的智能硬件。这不仅是对现有数字生态的一次重构，更是对人机协作范式的一次深刻革新。

路漫漫其修远兮，但方向既明，便只顾风雨兼程。Agentic Browser 的故事，才刚刚开始。我们有理由相信，这扇通往更智能、更自主的数字世界的大门，正在缓缓开启。

最后，预测一下OpenAI的Agentic Browser，将会在秋季之前正式对外发布。立帖为证，坐等打脸。