我给 AI Agent 装了四个浏览器，然后账单爆炸了

上周三凌晨两点，我盯着一条日志发呆：

browser screenshot → 5,847 tokens

5847 个 token。我让 Agent 做的事情是什么？读一个定价表。

那个定价表是纯文字。三行 HTML，连图片都没有。

我往上翻了几百条日志，发现这不是个例。我的 Agent 每次"看"网页，都在截图。看标题？截图。看登录状态？截图。看按钮文字？还是截图。

一周下来，光截图烧掉的 token，比 Agent 真正"思考"用的还多。

这篇文章就是那天晚上之后的复盘：我是怎么把浏览器操作成本砍掉 80% 的——不是换模型，不是压缩图片，而是搞清楚一件事：

我到底有哪些工具，什么时候该用哪个。

问题出在哪？不是工具不好，是选择太乱

我的 Agent 有四种方式"看"网页：

web_fetch — 不开浏览器，直接拿网页文字
agent-browser — 独立的浏览器 CLI，能截图存文件
browser-use — AI 自己操控浏览器，你告诉它目标就行
browser（内置） — OpenClaw 自带的，能用已有的登录态

每个工具都很强。问题是：它们的能力有大量重叠。

读网页？四个都能。截图？三个都能。点击按钮？三个都能。

当 Agent 面对"帮我看看这个页面"这种指令时，它就像站在一个四叉路口——没人告诉它怎么选，它只能随便选一个。

而它选的往往是"最直观"的：截图。

截图听起来最通用嘛。"看"页面，当然要"看"图啊。

但这恰恰是最贵的选择。

核心洞察：按用途选，而不是按工具选

踩完坑之后，我发现问题的本质是：我一直在想"我有什么工具"，而不是"我要干什么"。

当我把视角从"工具"转向"用途"，一切就清晰了。

Agent 的网页操作，其实只有三类：

第一类：读内容

场景：读定价、看标题、抓文字、检查元素存不存在。

这类任务的特点是：不需要交互，只需要拿到页面内容。

最优选择：

静态页面 → web_fetch（零成本，不开浏览器）
需要 JS 渲染 → agent-browser snapshot（零图片成本，返回文字 DOM）

绝对不要用截图。你只是想读文字，为什么要让模型"看"一张图？

第二类：自动化操作

场景：点按钮、填表单、登录、下载文件。

这类任务的特点是：需要交互，但步骤是确定的。

最优选择：

固定流程 → agent-browser（脚本化，可复用）
不确定流程、需要 AI 判断 → browser-use run

如果你每天都要做同一套操作，写成脚本用 agent-browser 跑。让 AI"自主探索"去完成固定任务，是浪费算力。

第三类：特殊能力

有些场景只有特定工具能做：

录制视频演示 → 只有 agent-browser 有 record 命令
模拟 iPhone → 只有 agent-browser 有 iOS profile
用代理 IP → 只有 browser-use 支持 --proxy-country
用 OpenClaw 已有的登录态 → 只有内置 browser 能做
用你自己 Chrome 的登录态（Gmail 等） → 内置 browser 加 profile="user"

这些没得选，需要什么能力就用什么工具。

决策路径：三步走

我把选择逻辑精简成了三步，Agent 每次浏览器操作前过一遍：

第一步：我需要交互吗？

不需要交互、只读内容 → web_fetch 或 agent-browser snapshot，到此结束。

需要交互 → 继续。

第二步：我需要什么特殊能力？

需要录视频        → agent-browser record
需要模拟手机      → agent-browser -p ios
需要代理 IP       → browser-use --proxy-country
需要 AI 自主判断  → browser-use run "任务描述"
需要已有登录态    → browser（内置）

有特殊需求就用对应工具，没有 → 继续。

第三步：默认选择

固定流程 → agent-browser（脚本化、可复用、截图存文件）

一句话总结：

能不开浏览器就不开，能用文字就不用图片，重叠功能选最省，独占功能选最强。

截图这件事，值得单独说

截图是成本黑洞，必须搞清楚两种截图的区别：

agent-browser screenshot

agent-browser screenshot /tmp/shot.png

截图保存到文件。文件就是文件，不消耗 token。你可以把文件发给用户，或者存着以后用。

browser（内置）screenshot

browser screenshot  # 通过内置 browser 工具

截图直接编码进对话，消耗 3000-6000 token。每截一张图，你的上下文就少一大块。

两者都能截图，但成本差了几千倍。

什么时候必须用内置 browser？

只有一种情况：你需要 OpenClaw 已经登录好的网站。比如你之前在 OpenClaw 里登录过某个后台，现在需要截那个后台的图——只有内置 browser 能访问那个登录态。

除此之外，所有截图都应该用 agent-browser。

三个真实踩坑

坑一：5847 token 的定价表

前面说的那个案例。我让 Agent 看一个 SaaS 的定价，它截了张图。

成本：5847 token ≈ $0.017（按 Claude 3.5 Sonnet 算）正确做法：web_fetch → 487 token ≈ $0.0015

一次操作差了 10 倍。这还是单次。我那周让 Agent 读了几十个页面……

坑二：每天定时任务，每天"重新思考"

我有个任务：每天早上登录某个网站下载报告。

一开始我用 browser-use run "登录并下载报告"——听起来很优雅对吧？

问题是：这是 AI 自主模式。每次跑它都要"思考"怎么登录、点哪个按钮、文件在哪。同样的流程，每天都"重新探索"一遍。

后来改成 agent-browser 脚本：

agent-browser --state auth.json open https://app.example.com
agent-browser click "#download-btn"
agent-browser wait-download /tmp/report.csv

固定流程写成固定脚本。快了 3 倍，token 消耗减少 70%。

坑三：用户要截图，我截给模型看

有用户说："帮我截个图看看效果"。

我让 Agent 用内置 browser 截图——结果图片进了对话，模型"看"了一遍。

但用户要的是看图，不是让模型看图。正确做法：

agent-browser screenshot /tmp/preview.png
# 然后把文件发给用户

图片存文件，直接发出去，模型根本不需要介入。

实施：写成 Skill 让 Agent 自动选

踩完这些坑，我写了一个 browser-routing skill。

它做的事情很简单：在 Agent 系统提示里加一段决策逻辑，让它每次浏览器操作前自动判断该用什么工具。

核心就是前面那三步决策路径。

效果：

截图调用量下降 80%+
Agent 开始"先 fetch 试试，不行再开浏览器"
内置 browser screenshot 基本只在需要登录态时才出现

三条 Takeaway

web_fetch 是默认选择。绝大多数"看网页"的需求都是读文字，不需要开浏览器，更不需要截图。
区分两种截图。存文件的截图零成本，进对话的截图几千 token。这不是优化，这是量级差异。
按用途建决策框架。工具多不是问题，乱选才是。三步决策：要不要交互 → 要不要特殊能力 → 默认选最省的。

工具是死的，选择是活的。选对了，成本砍掉一个数量级。

这是我在 OpenClaw 上跑 Agent 的系列踩坑记录。如果你也在折腾 AI Agent，欢迎交流。