约 1000 行代码搭起网页 AI 智能体：微软 Webwright 让 GPT-5.4 跑分提升 81%
微软研究院发布开源网页智能体框架 Webwright，其架构总代码量约 1000 行，让模型直接在终端中编写 Playwright 代码并执行命令，以此完成网页任务。该框架通过“门控自检”和“历史压缩”两个工程设计，解决了智能体易过早完成和上下文膨胀问题。基准测试显示，搭配 GPT-5.4 的 Webwright 在 Online-Mind2Web 上准确率达 86.67%；在长链路任务的 Odysseys 上得分 60.1%，相比此前最佳成绩（Opus 4.6 的 44.5%）提升 35.1%，相对基础 GPT-5.4 提升 81.49%。
IT之家 5 月 26 日消息，微软研究院本月发布开源网页智能体框架 Webwright，让 AI 模型在终端里编写 Playwright（浏览器自动化库）代码、执行 bash 命令、查看日志并反复修正。
IT之家援引博文介绍，常见网页智能体采用“截图或 DOM 状态 → 预测下一次点击、输入或滚动”模式，而微软 Webwright 让模型直接在终端中写 Playwright 代码、执行 shell 命令、检查日志、截图和报错，再持续修改脚本。
在架构方面，该框架采用 Runner、Model Endpoint 和终端环境 3 个核心组件。公开信息显示，Runner 约 150 行代码，模型接口约 550 行，环境部分约 300 行，总计约 1000 行，没有多智能体编排，也没有复杂分层规划。
在执行流程上，Runner 把当前上下文发给模型，模型返回思考内容与一条 shell 命令，环境执行后再返回终端输出、日志、截图或错误栈，随后进入下一轮。
相较一次只预测一个低级动作，代码方式更适合表达多步网页任务，例如完整填写表单、选择日期、跨页面重复操作，也更容易借助循环、函数和抽象复用能力。
团队重点解决了 2 个工程问题。首先是“过早宣告完成”，模型可能在任务没真正结束后就声称成功。
为此，Webwright 加入一个门控步骤：模型必须先生成自检配置，再在全新文件夹里运行最终脚本，结合日志和截图通过自我反思判断成功或失败，之后才能输出完成标记。
其次是上下文膨胀，长轨迹编码容易超出上下文限制，因此系统每 20 步会把历史压缩成一份摘要。
基准测试方面，Webwright 在 Online-Mind2Web 和 Odysseys 上都给出较强表现。前者包含 300 个任务、覆盖 136 个常用网站，基于 GPT-5.4 的 Webwright 整体准确率达到 86.67%，在 100 步预算下位列公开 harness 配方前列。
Odysseys 关注跨多网站的长链路浏览任务，任务指令平均 272.3 个词。2026 年 4 月榜单最佳模型 Opus 4.6 得分为 44.5%，而 Webwright＋GPT-5.4 达到 60.1%，相对此前最佳结果提升 35.1%，比基础 GPT-5.4 的 33.5% 高出 26.6 个百分点，提升 81.49%。
参考
Webwright: A Terminal Is All You Need For Web Agents
Webwright