技术深度解析
核心问题在于架构：现代网络栈是为“人在回路中”范式设计的。HTML、CSS和JavaScript渲染内容供眼睛和手指使用，而非解析器和函数调用。一个AI代理试图与典型的电商网站交互时，必须首先解析渲染后的DOM元素，推断按钮和表单的语义含义，生成合成点击事件，并处理不可预测的JavaScript状态变化。这个过程脆弱、缓慢且容易出错。
对比之下，一个真正的API优先设计则截然不同。像Stripe这样的网站会暴露一个RESTful端点`POST /v1/charges`，带有明确定义的参数。代理可以直接调用它，行为确定，错误代码清晰。那97%的差距，正是这种端点的缺失。
有几个开源项目正试图从代理端弥合这一差距。[BrowserGym](https://github.com/ServiceNow/BrowserGym)（5.2k星）提供了一个用于训练和评估代理在网页导航任务上的gym环境，但它仍然依赖脆弱的DOM解析。[Playwright](https://github.com/microsoft/playwright)（68k星）提供了强大的浏览器自动化功能，但它是一个通用工具，而非代理原生协议。[AgentQL](https://github.com/tinyfish-io/agentql)（1.8k星）是一个较新的入局者，试图为网页数据提取提供结构化查询语言，但它仍然是只读的。
一种更有前景的方法正从协议端浮现。Google的Agent-to-Agent Protocol（A2A）和Anthropic的Model Context Protocol（MCP）是标准化代理如何发现和调用能力的早期尝试。尤其是MCP，作为一种轻量级、基于JSON-RPC的协议，它允许服务器（即网站）暴露一个代理可以调用的“工具”列表，正在获得关注。一个实现了MCP的网站可以暴露诸如`search_products`、`add_to_cart`或`checkout`之类的工具。代理只需用所需参数调用这些工具即可。
当前代理-网页交互方法的性能对比：
| 方法 | 成功率（预订航班） | 平均延迟 | 错误率 | 可维护性 |
|---|---|---|---|---|
| DOM解析 + 点击模拟 | 42% | 8.2秒 | 23% | 极低（UI更新即失效） |
| 视觉（截图 + OCR） | 38% | 12.5秒 | 31% | 低（依赖渲染引擎） |
| 自定义API（例如Expedia API） | 97% | 1.1秒 | 2% | 高（稳定契约） |
| MCP协议（假设） | 95%（估计） | 0.8秒 | 3%（估计） | 高（标准化） |
数据要点： 基于DOM的方法与基于API/MCP的方法之间的差距巨大——延迟大约相差2倍，错误率相差10倍。这不是一个渐进式改进的问题；这是一个根本性的架构错配。实现可靠代理-网页交互的唯一途径，是通过标准化的服务器端协议。
关键参与者与案例研究
当前格局是一场双马竞赛：自下而上（代理端适配）与自上而下（协议标准化）。
自下而上：代理框架
像Anthropic（Claude的计算机使用功能）、OpenAI（Operator）和Microsoft（Copilot的浏览器自动化）这样的公司，正在大力投资于让它们的代理能够“看见”和“点击”网页。Anthropic于2024年底发布的“计算机使用”功能，允许Claude截取屏幕截图并模拟鼠标点击。虽然在演示中令人印象深刻，但它存在上述性能问题。OpenAI的Operator采用了类似的方法，但使用了一个专门的“浏览器代理”模型。两者都是权宜之计。
自上而下：协议标准化
- Anthropic的Model Context Protocol（MCP）： 于2024年底开源，MCP在开发者工具领域迅速获得采用。GitHub、Replit和Linear都已实现MCP服务器，允许Claude直接与代码仓库、代码执行环境和问题追踪器交互。例如，GitHub的MCP服务器暴露了诸如`create_repository`、`search_code`和`create_issue`之类的工具。这是代理访问的黄金标准。
- Google的Agent-to-Agent Protocol（A2A）： 于2025年初宣布，A2A更为雄心勃勃，旨在允许来自不同生态系统的代理协商和委派任务。它不如MCP成熟，目前实际部署较少。
- Stripe的Agent Toolkit： Stripe一直是先驱，发布了专为AI代理设计的SDK，将其现有API封装成对代理友好的工具定义。这是一个务实的、公司特定的解决方案。
协议方法对比：
| 协议 | 创建者 | 焦点 | 采用情况（服务器数量） | 复杂度 | 关键限制 |
|---|---|---|---|---|---|
| MCP | Anthropic | 为LLM暴露工具 | ~500（估计） | 低 | 仅限客户端；无代理间通信 |
| A2A | Google | 代理间委派 | ~50（估计） | 高 | 对于简单工具调用而言过度设计 |
| 自定义SDK（Stripe） | Stripe | 单一公司API封装 | 1（Stripe） | 极低 | 不通用 |
数据要点： MCP