@akshay_pachaar: 代理以六种方式访问网站。（谷歌和微软都在押注同一种方式。）让代理购买东西并…

代理以六种方式访问网站。 （谷歌和微软都在押注同一种方式。） 让代理购买东西并观看其工作。它会对页面进行截图，寻找形似按钮的东西，点击，然后再次截图查看发生了什么。 每次查看你都需要支付令牌，而一次重新设计就会中断运行。 网站已经知道它能做什么。它有搜索、购物车、结账功能，而这些都没有在任何程序能读取的地方记录下来。 以下是六种方法，按从最远离界面到最近的顺序排列。 1) 原始API。你的脚本使用你管理的密钥调用后端。精确且快速，尽管你必须自己找到端点，且网站从未介入。 2) 后端MCP服务器。公司将其操作描述为命名工具，你的代理连接到它们。由了解产品的人编写这些定义，因此它们命名的是真实操作而非猜测操作。界面仍然被跳过。 3) 计算机使用。代理将实时页面视为图像并点击周围。无需配置，但每次查看都花费金钱，且布局更改会使其困惑。 4) 基于DOM的浏览器自动化。代理读取页面的底层代码而非其图像。比像素更可靠，但工具是通用的，因此代理仍然从匿名div和无标签按钮中推断意义。 5) WebMCP，Chrome和Edge正在共同构建的那个。页面声明自己的操作，包括名称、纯英语描述和类型化输入，你的代理在你的实时浏览器会话中调用它们。 6) 网站的内置助手。公司提供聊天框，选择模型，并支付令牌费用。它有效，但它不是你的代理，因此它关于你学到的任何内容都不会传递到其他地方。 这六种方式在三个方面有所不同：谁的代理执行工作，在任何事情发生前你配置什么，以及代理到达时收到什么。 除了一个选项外，每个选项都放弃了至少这三个方面之一。原始API和后端MCP提供类型化操作并移除网站。计算机使用无需设置并交出像素。内置助手精确且属于供应商。 WebMCP是唯一一个保留所有这三个方面的。你自己的代理，无需配置，以及命名操作而非猜测。 我写了完整的分析。文章引用如下。