快速摘要
Ocbot 是一款基于 Chromium 内核深度定制的 AI 原生浏览器，它将 AI 智能体（Agent）直接内嵌到浏览器内核中，让 AI 不再只是"辅助工具"，而是能像人一样自主浏览网页、操作界面、提取数据。 它最大的亮点在于"自愈工作流"——当网站改版后，AI 能通过视觉理解自动修复执行路径，无需人工干预。同时，它支持 Gemini、GPT-4、Claude 等主流大模型自由切换，也可以接入本地私有化部署的大模型，数据完全由用户自己掌控。如果你对 AI 驱动浏览器自动化感兴趣，或者正在寻找比 OpenClaw 更轻量的替代方案，往下看有更详细的拆解。 —— 莫潇羽@无忆研习社
一、为什么我们需要一款 AI 原生浏览器？
浏览器是我们日常使用频率最高的软件之一。从查资料、填表单到批量下载文件、监控网页变化，这些操作看似简单，实际上都需要大量的重复劳动。很多人可能没有意识到，自己每天在浏览器上花费的时间中，有相当大的比例是在做机械性的重复操作——打开同一个网站、点击同样的按钮、填写类似的信息、下载格式相同的文件。如果能把这些重复劳动交给 AI 来完成，我们就能把精力集中在真正需要创造力和判断力的工作上。
传统的自动化方案，比如 Selenium、Playwright，虽然功能强大，但有一个致命问题：它们依赖固定的网页元素选择器（比如 XPath、CSS Selector），一旦网站改版，脚本就会立刻失效，维护成本极高。而且编写和调试这些自动化脚本本身就需要一定的编程基础，这把大量的非技术用户挡在了门外。
近两年，随着大语言模型（LLM）技术的爆发，一种全新的思路出现了——让 AI 来理解网页，让 AI 来决定如何操作，让 AI 来执行任务。这就是所谓的"AI Agent + 浏览器"的组合。这种方案的核心优势在于：AI 不依赖固定的选择器规则，而是像人一样"看"网页、"理解"网页、然后"操作"网页。即使网页的布局和代码结构发生了变化，只要页面的视觉呈现和功能逻辑没有根本性的改变，AI 就能自适应地完成任务。这从根本上解决了传统自动化方案"一改就废"的顽疾。
目前市面上已经出现了不少类似的项目，比如 Browser-Use、Nanobrowser、BrowserOS、OpenClaw 等等。而今天莫潇羽要和大家聊的 Ocbot，则是其中一个比较有特色的开源方案。
Ocbot 的核心定位非常明确：它不是给现有浏览器加一个 AI 插件，而是从 Chromium 内核层面就开始定制，把 AI 智能体运行时直接嵌入到浏览器底层。换句话说，AI 不是浏览器的附属品，而是浏览器的"灵魂"。这种设计理念带来了一个重要的优势——AI 能够直接调用浏览器内核级的 API，在页面操作、截图、表单交互等方面拥有更底层、更高效的控制能力。
二、Ocbot 的核心能力拆解
要理解 Ocbot 到底能做什么，我们需要从它的几个核心能力入手。莫潇羽@无忆研习社 结合官方文档和 GitHub 仓库的信息，帮大家做一个详细的梳理。
2.1 对话式自动化：用自然语言驱动浏览器
Ocbot 最直观的使用方式就是"对话式操作"。你不需要写任何代码，只需要用自然语言告诉它你想做什么，比如：
- "帮我下载这个月所有的发票"
- "监控这个航班的票价变化，降价了通知我"
- "把这个网页表格里的数据提取出来，整理成 CSV"
AI 会自动理解你的意图，生成一条完整的执行路径，然后一步一步地在浏览器中完成操作——打开网页、定位元素、点击按钮、填写表单、截图保存，整个过程就像你手动操作一样，但完全由 AI 来驱动。
这种能力背后的技术原理并不复杂：Ocbot 内置的 AI Agent 会先将当前网页的状态（DOM 结构 + 页面截图）发送给大语言模型，LLM 分析之后返回下一步应该执行的动作，Agent 再通过浏览器的底层接口去执行这个动作。如此循环往复，直到任务完成。这其实和 Browser-Use 等项目的核心逻辑是一致的，但 Ocbot 的优势在于它的 Agent 直接运行在浏览器内核层面，而不是作为外部插件或独立服务存在。
举一个更具体的例子来帮助大家理解这个过程。假设你告诉 Ocbot"帮我把这个页面上的产品表格数据导出来"，Agent 的工作流程大致是这样的：首先，它会对当前页面进行截图和 DOM 结构分析，识别出页面上存在一个数据表格；然后，它会制定执行计划——逐行读取表格中的每一条数据；接着，它通过内核 API 逐个提取表格单元格中的文字内容；最后，它把所有数据整理成结构化的格式（比如 CSV 或 JSON）输出给你。整个过程中，你不需要关心这个表格用的是什么前端框架，有没有动态加载，分页逻辑是什么样的——这些技术细节全部由 AI 来处理。
值得一提的是，Ocbot 的对话式自动化不仅仅支持单步操作，它还能理解和执行多步骤的复合任务。比如你可以说"先登录某某网站，然后到订单管理页面，筛选出本月的所有订单，把每个订单的编号和金额提取出来"。Agent 会自动把这个复合指令拆解成若干个子步骤，按照逻辑顺序依次执行。如果中间某个步骤遇到了意料之外的情况（比如页面弹出了一个确认对话框），Agent 也会根据上下文做出合理的判断和应对。
2.2 自愈工作流：网站改版也不怕
这是莫潇羽认为 Ocbot 最有价值的一个特性。
传统的浏览器自动化脚本最怕的就是网站改版。比如你写了一个自动登录脚本，用的是 #login-button 这个选择器，结果某天网站把按钮的 ID 改成了 #btn-signin，脚本就直接报错了。而且更糟糕的是，你可能根本不知道它什么时候改的，等你发现的时候，积压的任务已经一大堆了。
Ocbot 的"自愈工作流"就是为了解决这个问题。它的核心原理是视觉理解——AI 不仅仅依赖 DOM 元素的选择器来定位操作目标，还会对页面进行截图分析。当网站改版导致原有的元素选择器失效时，AI 会通过视觉识别重新找到对应的按钮、输入框或链接，并自动更新执行路径。
具体来说，这个过程包含以下几个关键步骤：
第一步，AI 在首次执行任务时，会同时记录 DOM 选择器和视觉特征（元素的位置、颜色、文字、大小等）。第二步，当后续执行任务时，如果 DOM 选择器定位失败，AI 会切换到视觉模式，通过截图分析重新定位目标元素。第三步，AI 根据视觉识别的结果自动修复执行路径，并将新的选择器信息更新到任务配置中，以备下次使用。
这种"DOM + 视觉"的双模式定位策略，让 Ocbot 的自动化任务具备了很强的鲁棒性。用官方的话说就是"学一次，长期复用"——你只需要教 AI 执行一次任务，后续即使网站发生了 UI 变化，AI 也能自动适应。
从自动化测试领域的视角来看，这种"自愈"能力并不是什么全新的概念。在自动化测试（QA Automation）领域，Self-Healing Test 已经是一个比较成熟的方向了，像 Testim、Mabl 等商业工具都有类似的功能。但 Ocbot 把这个能力带到了通用的浏览器自动化场景中，而且是开源的，这一点值得关注。
为了更直观地理解自愈机制的价值，莫潇羽举一个真实场景：假如你让 Ocbot 学习了一个"每天自动登录公司后台系统并下载日报数据"的任务。某天，后台系统进行了一次界面升级，登录页面的布局从左右两栏变成了上下单栏，"登录"按钮的 CSS 类名从 .btn-login 改成了 .submit-button，按钮的位置也从页面右侧移到了页面中间。如果是传统的自动化脚本，这时候就直接报错停止了。但 Ocbot 的 Agent 会这样处理：它先尝试用原来的选择器去定位登录按钮，发现找不到了；然后它启动视觉分析模式，对当前页面截一张图，发送给大模型进行视觉理解；大模型通过分析截图，识别出页面中间有一个蓝色的"登录"按钮（虽然位置和样式都变了，但文字和功能没变）；最后 Agent 重新定位到这个按钮，更新执行路径中的选择器信息，继续完成后续步骤。整个修复过程对用户来说是完全透明的，你甚至不会感知到后台发生了什么——任务照常完成，数据照常下载。
这种能力在实际工作中的价值是巨大的。特别是在需要长期运行的自动化任务场景中，网站的小改版几乎是不可避免的。有了自愈机制，你不需要时刻盯着脚本是否正常运行，也不需要每次网站更新后都手动去修改脚本——AI 会自己搞定。
2.3 大模型自由切换：你的数据你做主
Ocbot 在 AI 推理层面采用了灵活的架构设计。用户可以根据自己的需求和偏好，自由选择不同的大模型作为 AI Agent 的"大脑"：
- 云端模型：支持 Gemini、GPT-4、Claude 等主流商业模型，通过 API Key 接入即可
- 本地模型：支持通过 Ollama 等工具运行本地大模型，所有数据都在你自己的设备上处理，不会上传到任何第三方服务器
- Ocbot 推理网关：官方提供了一个零配置的推理网关，开箱即用，适合不想折腾配置的用户
这种设计在隐私保护方面有着明显的优势。如果你处理的是敏感数据（比如公司内部的文档、财务信息等），完全可以选择本地部署的大模型，确保数据不出设备。这对于企业用户来说是一个非常重要的考量因素。
2.4 Token 消耗优化：一次学习，长期复用
使用 AI 驱动浏览器自动化，最大的成本就是 LLM 的 Token 消耗。每次执行任务，Agent 都需要把当前页面的状态发送给大模型进行分析和决策，这个过程会消耗大量的 Token。如果是高频重复任务，Token 费用会迅速累积。
Ocbot 在这方面做了一个巧妙的优化：任务在首次执行时，AI 会完整地分析和规划整个执行路径，这个过程确实需要消耗较多的 Token。但一旦路径确定下来，后续执行同样的任务时，Agent 会直接复用已经学到的路径，大幅减少对 LLM 的调用次数。 只有当路径中某个步骤执行失败（比如遇到了网站改版），才会触发自愈机制，重新调用 LLM 进行修复。
这个优化策略让 Ocbot 在长期使用中的 Token 消耗远低于那些"每次都从头分析"的方案。对于需要频繁执行重复任务的用户来说，这是一个很实际的优势。
2.5 完整的 Chrome 体验兼容
虽然 Ocbot 是一个深度定制的浏览器，但它在日常使用体验上和 Chrome 几乎没有区别。因为它的底层就是 Chromium，所以你可以：
- 直接导入 Chrome 的书签、浏览记录和保存的密码
- 安装和使用 Chrome 扩展程序
- 享受和 Chrome 一样的网页渲染效果和性能
换句话说，你可以把 Ocbot 当作一个"加了 AI 超能力的 Chrome"来用，日常浏览完全不受影响。
三、Ocbot 与 OpenClaw 的对比：各有千秋
提到 AI Agent 自动化工具，OpenClaw（也叫 Molty）是目前开源社区中热度最高的项目之一。它在 GitHub 上已经积累了超过 6.8 万个 Star，社区非常活跃。那么 Ocbot 和 OpenClaw 之间到底有什么区别呢？莫潇羽帮大家做一个客观的对比分析。
3.1 定位差异
OpenClaw 的定位是一个通用的 AI Agent 框架。它本质上是一个运行在 Node.js 上的本地服务，通过消息路由的方式连接各种聊天平台（比如 Telegram、WhatsApp），然后调用各种工具（Shell 命令、浏览器控制、文件操作等）来完成任务。浏览器自动化只是它众多能力中的一项。
Ocbot 的定位则更加垂直和聚焦——它就是一个 AI 原生浏览器。所有的设计和优化都围绕"浏览器 + AI"这个核心场景展开。浏览器本身就是 AI Agent 的运行环境，不需要额外的服务或中间件。
3.2 部署复杂度
OpenClaw 的部署过程涉及 Node.js 环境配置、各种 API Key 设置、消息平台对接等多个环节，对于非技术用户来说有一定的门槛。特别是浏览器自动化功能，还需要额外配置 Chromium 浏览器的 CDP（Chrome DevTools Protocol）连接，在某些系统环境下（比如 Ubuntu 的 Snap 版 Chromium）还会遇到兼容性问题。
Ocbot 在这方面要简单得多——下载安装包，双击运行，就是一个可以用的浏览器。AI 功能开箱即用，不需要额外的环境配置。这对于非技术背景的用户来说是一个巨大的优势——你不需要理解什么是 Node.js，不需要在命令行中敲各种配置命令，甚至不需要知道 API Key 是什么（如果使用官方推理网关的话）。对于技术团队来说，这也意味着更低的推广和培训成本——你可以把 Ocbot 直接推荐给运营、市场、行政等非技术岗位的同事使用，他们也能快速上手。当然，如果你想要从源码编译，那复杂度就上去了（后面会详细说）。
3.3 能力边界
OpenClaw 的能力范围更广，除了浏览器操作，它还能执行 Shell 命令、管理文件、对接智能家居、管理日程等等。它更像是一个"全能型 AI 助手"。
Ocbot 的能力则集中在浏览器场景，但在这个场景中做得更深入。比如它的自愈工作流、Token 优化机制、内核级 API 调用等，都是针对浏览器自动化场景的专项优化。可以这样理解——OpenClaw 是一把多功能的瑞士军刀，什么都能干一点；Ocbot 则是一把专业的手术刀，只在浏览器这个领域发力，但做得更精细、更深入。两者的设计哲学不同，面向的用户群体也有所差异，不存在简单的优劣之分。
3.4 如何选择
简单来说：如果你需要一个全方位的 AI Agent 助手，能管文件、跑脚本、对接各种工具和平台，选 OpenClaw 更合适。如果你的核心需求就是浏览器自动化——自动填表、数据抓取、网页监控、批量操作等，Ocbot 可能是更轻量、更聚焦的选择。
当然，两者也不是完全互斥的。你完全可以把 Ocbot 作为日常浏览器使用，同时在需要更复杂的跨平台自动化时借助 OpenClaw。
四、Ocbot 的技术架构深度解析
了解了 Ocbot 的核心能力，我们来深入看看它的技术架构是怎么设计的。对于开发者来说，理解架构是评估一个项目质量和可扩展性的关键。莫潇羽@无忆研习社 结合源码目录结构和官方文档，为大家做一个分层拆解。
4.1 整体架构概览
Ocbot 采用了分层 + 模块化的架构设计，整体可以分为四层：
┌─────────────────────────────────────────────┐
│ 扩展层 (web/) │
│ AI Agent 运行时 / 浏览器交互 UI / Side Panel │
├─────────────────────────────────────────────┤
│ 内核层 (chromium/) │
│ Chromium 定制内核 / 补丁机制 / 内核级 API │
├─────────────────────────────────────────────┤
│ 工具链层 (scripts/) │
│ 编译工具 / 开发辅助 / 自动化脚本 │
├─────────────────────────────────────────────┤
│ 能力集成层 │
│ 链上身份 / 支付协议 / 标准化接口 │
└─────────────────────────────────────────────┘项目的源码目录结构清晰地映射了这个分层设计：
ocbot/
├── chromium/ # Chromium 内核定制相关（补丁文件等）
├── web/ # AI 扩展层（Agent 运行时 + 浏览器 UI）
├── scripts/ # 开发工具链（dev.py 等构建脚本）
├── patches/ # 生成的 Chromium 内核补丁
├── plans/ # 功能计划文件（开发路线图）
├── docs/ # 开发文档
├── LICENSE # 开源协议
├── README.md # 英文说明
└── README_CN.md # 中文说明4.2 内核层：基于 Chromium 的深度定制
内核层是整个浏览器的基础底座，基于 Chromium 开源项目进行定制。这一层主要用 C++ 编写，使用 Chromium 官方的编译工具链（Depot Tools）进行构建。
内核层的核心设计原则是"无损定制"——仅通过补丁（Patch）机制新增或修改必要的功能点，尽量不破坏 Chromium 的原生逻辑。这样做有两个好处：第一，能够保证 Chrome 的全量浏览体验（渲染引擎、JavaScript 引擎、安全机制等）完整保留；第二，当 Chromium 上游发布新版本时，可以相对容易地将补丁应用到新版本上，降低版本跟进的维护成本。
内核层对上层 AI 扩展层提供了一组关键的底层 API，主要包括：
- 页面操作接口：导航、前进后退、刷新等基础浏览功能
- 元素交互接口：点击、输入、选择、滚动等 DOM 操作能力
- 截图接口：对当前页面或指定区域进行截图，供 AI 视觉分析使用
- 网络请求接口：拦截和分析页面的网络请求和响应
这些接口和 Chrome DevTools Protocol（CDP）提供的能力类似，但由于是直接在内核层面暴露的，执行效率和稳定性会更高。
4.3 扩展层：AI 智能体的大脑
扩展层是 Ocbot 的差异化核心，对应源码中的 web/ 目录。这一层使用 TypeScript 作为主要开发语言，基于 wxt（一个现代化的浏览器扩展开发框架）构建。
扩展层承载了以下几个关键模块：
AI Agent 运行时：这是整个 AI 能力的核心。Agent 运行时负责管理任务的生命周期——从接收用户指令、解析意图、规划执行路径，到逐步执行操作、监控执行结果、处理异常情况，整个流程都由这个模块协调。
LLM 推理模块：负责和各种大语言模型进行通信。这个模块封装了统一的调用接口，无论你使用的是 OpenAI 的 GPT-4、Google 的 Gemini、Anthropic 的 Claude，还是本地通过 Ollama 运行的开源模型，对上层的 Agent 来说调用方式都是一样的。
浏览器交互 UI：Ocbot 在浏览器的侧边栏（Side Panel）中提供了一个交互界面，用户可以在这里输入自然语言指令、查看任务执行进度、管理已保存的工作流等。
视觉分析模块：负责对页面截图进行分析，提取页面的视觉布局信息。这个模块是"自愈工作流"能力的技术基础。当 DOM 选择器失效时，视觉分析模块会接管元素定位的工作。
扩展层和内核层之间通过浏览器扩展的标准接口进行通信，保持了良好的解耦性。这意味着扩展层可以独立迭代升级，而不需要每次都重新编译 Chromium 内核。
4.4 工具链层：降低开发门槛
对应源码中的 scripts/ 目录，使用 Python 3 作为主要脚本语言。这一层的核心是一个叫做 dev.py 的开发辅助工具，它封装了 Chromium 编译、补丁管理、扩展构建等一系列复杂的操作流程，让开发者可以通过简单的命令来完成这些工作：
# 检查开发环境是否就绪
./scripts/dev.py check
# 下载 Chromium 源码
./scripts/dev.py download
# 应用 Ocbot 的定制补丁
./scripts/dev.py patch
# 编译整个项目
./scripts/dev.py build
# 运行编译好的浏览器
./scripts/dev.py run如果你有过从源码编译 Chromium 的经验，就会知道这个过程有多么复杂。Ocbot 的工具链层把这些复杂性封装了起来，虽然编译本身仍然需要较长的时间和较高的硬件配置，但操作流程已经简化了很多。
4.5 能力集成层：面向未来的扩展
能力集成层是 Ocbot 架构中比较前瞻性的一部分。它主要包含了链上身份标识和标准化协议接口等能力。简单来说，就是让 AI Agent 能够拥有自己的数字身份，并通过标准化的协议接口与外部服务进行交互。
这一层目前还在比较早期的阶段，更多的是架构预留和概念验证，实际的落地应用还需要时间。但从架构设计的角度来看，把这些能力作为独立的集成层来设计，通过标准化接口接入，是一个合理且可扩展的方案。
五、动手实践：Ocbot 的安装与使用
了解了原理，接下来我们进入实操环节。Ocbot 提供了两种使用方式：直接下载预编译安装包（适合普通用户）和从源码编译（适合开发者）。莫潇羽分别为大家讲解。
5.1 方式一：下载预编译安装包（推荐新手使用）
这是最简单的方式，不需要任何开发环境，下载即用。
Ocbot 目前提供了 macOS 和 Windows 两个平台的预编译安装包。根据 GitHub 仓库的信息，最新版本为 26.3.18，下载地址如下：
- macOS 版本：
https://cdn.oc.bot/releases/26.3.18/Ocbot-26.3.18.dmg - Windows 版本：
https://cdn.oc.bot/releases/26.3.18/Ocbot-Setup-26.3.18.exe
⚠️ 版本提示：上述版本号为文章撰写时的最新版本，建议大家在下载前先到 GitHub 仓库（https://github.com/instry/ocbot ）的 Releases 页面确认是否有更新版本。
macOS 安装步骤：
下载 .dmg 文件后，双击打开镜像文件，将 Ocbot 图标拖拽到"应用程序"文件夹即可。首次打开时，macOS 可能会提示"无法验证开发者"，这时需要到"系统设置 → 隐私与安全性"中点击"仍要打开"。
Windows 安装步骤：
下载 .exe 安装程序后，双击运行，按照安装向导的提示一步步操作即可。安装完成后桌面上会生成 Ocbot 的快捷方式图标。
安装完成后，打开 Ocbot，你会看到一个和 Chrome 非常相似的界面。在侧边栏可以找到 AI Agent 的交互面板，输入你的第一条指令就可以开始体验了。
5.2 方式二：从源码编译（面向开发者）
如果你是开发者，想要深入研究 Ocbot 的源码，或者想要基于它进行二次开发，就需要从源码编译。这个过程比较耗时，需要一定的开发环境和硬件配置。
前置依赖：
- 操作系统：macOS 或 Linux（Windows 暂未经过完整测试）
- Python 3：用于运行构建脚本
- Node.js + npm：用于构建浏览器扩展部分
- Depot Tools（可选，完整编译时需要）：这是 Google 官方提供的 Chromium 编译工具集
完整构建流程：
# 第一步：克隆代码仓库
git clone https://github.com/instry/ocbot.git
cd ocbot
# 第二步：检查开发环境
# 这个命令会自动检测你的系统是否满足编译要求
./scripts/dev.py check
# 第三步：下载 Chromium 源码
# 快速模式（仅用于代码审阅，不能编译）：
./scripts/dev.py download
# 完整模式（用于实际编译构建）：
./scripts/dev.py download --method depot --no-history
# 第四步：应用 Ocbot 的定制补丁
# 这一步会将 Ocbot 的修改应用到 Chromium 源码上
./scripts/dev.py patch
# 第五步：编译（最耗时的一步）
./scripts/dev.py build
# 第六步：运行编译好的浏览器
./scripts/dev.py run关于编译时间的参考：
编译 Chromium 是一个非常吃资源的操作，实际编译时间取决于你的硬件配置：
- Apple M3 Ultra + 96GB 内存：大约 45 分钟
- Apple M4 + 24GB 内存：大约 4.5 小时
如果你使用的是普通的台式机或者笔记本，编译时间可能会更长。建议至少准备 16GB 以上的内存和较大的磁盘空间（Chromium 源码加上编译产物可能需要 50GB 以上的磁盘空间）。
关于 download 命令的两种模式：
./scripts/dev.py download 默认使用快速的 tarball 模式下载，下载速度快，但只能用于查看代码，不能用于编译。如果你需要实际编译，必须使用 --method depot 参数，通过 Depot Tools 下载完整的 Chromium 源码树。--no-history 参数可以跳过 Git 历史记录的下载，节省大量的时间和磁盘空间。
5.3 首次配置 AI 模型
无论是通过安装包还是源码编译的方式运行 Ocbot，第一次使用 AI 功能都需要配置大模型的连接方式。Ocbot 提供了三种选择：
选择一：使用 Ocbot 推理网关（最简单）
这是官方提供的零配置方案，无需任何 API Key，开箱即用。适合想要快速体验的用户。不过需要注意的是，使用推理网关意味着你的请求会经过 Ocbot 的服务器进行中转。
选择二：使用自己的 API Key
如果你已经有了 OpenAI、Google 或 Anthropic 的 API Key，可以在设置中直接填入。这样 Agent 的推理请求会直接发送到对应的模型服务商，不经过 Ocbot 的服务器。这种方式的好处是你可以完全控制调用哪个模型、用多少额度，而且数据传输路径更短、更透明。对于有一定技术基础的用户，莫潇羽推荐优先使用这种方式，一方面可以自主选择最适合你任务的模型（比如简单任务用便宜的小模型，复杂任务用性能更强的大模型），另一方面也能更清楚地掌握自己的使用量和费用情况。
选择三：使用本地大模型
如果你对数据隐私有较高的要求，可以通过 Ollama 等工具在本地运行大模型（比如 Llama、Qwen 等开源模型），然后将 Ocbot 连接到本地的模型服务。这样所有的数据处理都在你自己的设备上完成，完全不需要联网。本地部署的方案特别适合以下几类用户：处理涉及商业秘密或个人隐私数据的场景、网络环境受限或者网络不稳定的场景、以及对 AI 推理延迟要求较高的场景（本地推理不受网络延迟影响）。不过需要注意的是，本地运行大模型对硬件配置有一定要求，建议至少配备 16GB 以上的内存和一块性能不错的显卡。如果你的硬件配置较低，可以选择参数量较小的模型（比如 7B 或 14B 级别的模型），虽然能力会弱一些，但基本的浏览器自动化任务还是能够胜任的。
六、实际使用场景举例
理论讲得再多，不如看看实际能用来做什么。以下是一些 Ocbot 比较典型的应用场景，莫潇羽@无忆研习社 为大家逐一分析。
6.1 批量数据采集
假设你需要从某个电商平台上采集一批商品信息（名称、价格、评分、销量等），传统做法是写爬虫脚本或者用 RPA 工具。但用 Ocbot，你只需要这样做：
打开目标网页，在 AI 面板中输入类似"提取这个页面上所有商品的名称、价格和评分，整理成表格"的指令。AI Agent 会自动识别页面结构，定位到商品列表区域，逐条提取数据并整理输出。如果数据分布在多个页面，你还可以告诉它"翻到下一页继续提取"，Agent 会自动找到翻页按钮并继续操作。
和传统爬虫相比，这种方式最大的优势在于零代码门槛。你不需要学习 Python，不需要了解 CSS 选择器或 XPath 语法，也不需要处理反爬机制——因为你用的就是一个正常的浏览器，只不过操作它的"手"从你自己变成了 AI。而且，即使目标网站更新了页面结构，自愈机制也能让你的采集任务继续正常运行，不用像传统爬虫那样频繁地去调试和修改选择器。
当然，莫潇羽也要提醒大家注意合规问题。在进行数据采集时，一定要遵守目标网站的使用条款，尊重 robots.txt 协议，不要频繁大量地请求目标网站导致给对方服务器带来压力。合理、适度地使用自动化工具，才是长久之计。
6.2 自动填表与表单提交
这是很多行政和运营人员的日常痛点——需要在多个系统中重复填写类似的表单信息。比如每天需要在 OA 系统中提交日报，或者在供应商管理平台上录入采购信息。又比如电商运营人员需要在不同的平台上重复上传商品信息，每次都要填写标题、描述、价格、库存、图片等字段，非常耗时。
用 Ocbot，你可以把"填报日报"这个任务教给 AI 一次：打开 OA 系统，找到日报提交入口，填写各个字段，点击提交。之后每天只需要告诉 AI"帮我提交今天的日报，内容是……"，它就会自动完成整个操作流程。而且得益于自愈机制，即使 OA 系统做了界面升级，已经学习过的工作流也能自动适应。
这里有一个关键的技术细节值得说明：Ocbot 在执行表单填写任务时，不仅仅是简单的"找到输入框然后粘贴文字"。它的 Agent 会理解每个表单字段的语义含义，比如它能区分"项目名称"和"项目编号"这两个输入框分别应该填什么内容，即使这两个字段在页面上的视觉布局发生了变化（比如从横排变成了竖排），Agent 也能正确地把信息填到对应的位置。这种语义级别的理解能力，是传统 RPA 工具（基于固定坐标或选择器的）所不具备的。
6.3 网页监控与变化追踪
需要持续监控某个网页的内容变化？比如监控竞品的价格变动、追踪某个政策文件的更新、关注某个论坛帖子的新回复等。Ocbot 可以定期访问目标页面，提取关键信息并与上次的结果进行对比，发现变化后及时提醒你。
这个场景在实际工作中的应用非常广泛。比如做竞品分析的同学，需要持续追踪竞品官网上的产品定价和功能更新；做市场研究的同学，需要关注行业报告网站上的新发布内容；做采购的同学，需要监控供应商平台上的物料价格波动。这些工作如果纯靠人力去每天手动检查，不仅效率低，而且很容易遗漏。用 Ocbot 设置一个自动化的监控任务，定时去目标页面看一眼，有变化就记录下来通知你，省时省力又不会漏掉关键信息。
更进阶的玩法是结合条件触发。比如你可以设定"当某个商品的价格低于某个阈值时通知我"，或者"当某个政策文件更新后，自动把新版本的关键段落提取出来发给我"。这种基于条件的智能监控，能让你从繁琐的手动检查中彻底解放出来。
6.4 跨平台信息整合
如果你需要从多个网站收集信息并汇总到一起，比如从不同的招聘网站上汇总同一个岗位的市场行情，或者从多个新闻网站收集某个话题的报道进行对比分析，Ocbot 可以按照你的指令依次访问多个网站，提取相关信息，最后整理成统一的格式输出。
这种跨平台的信息整合能力，在日常工作中的价值远比想象中大。举个例子，你正在调研某个技术方案，需要从官方文档、技术博客、论坛讨论
