让模型去操作网页，最难受的是任务已经走偏，却没有任何报错。点错了对象、漏看了半个列表、把过期的页面当成现在的页面，模型照样给出一个语气笃定的答案。回头追问“它当时看到了什么、为什么点了那个”，往往没有记录可查。
Event Horizon（下称 EH）是一套网页感知与操作核验工具。它把页面可见的内容、控件和状态整理成模型可用的结构，执行模型发起的点击、填写、选择和滚动，在动作前检查执行条件，并在动作后记录页面变化。模型负责规划与选择，EH 提供页面信息、执行检查和过程记录，让每一步都有据可查。已有多种模型通过它完成任务，具体表现见下文。
这篇文章只做一件事：把已经跑过的记录摆出来。
下面的实验和录制来自历史本地部署版本，不把它们当作当前订阅客户端的实测成绩。当前版本通过 MCP 接入用户自己的 Agent，本机 Chrome 与云端感知服务配合运行；接入方式放在文末。
先看一段实况：在自建测试站上连续跑六道题
演示视频：自研 Agent AI 操作网页实况：筛选、表单、翻页、弹窗六道题连续跑（8 分 12 秒）。
下文六道题对应的完整历史录制为 8 分 12 秒，一镜到底，没有剪辑、倍速或字幕，留存在演示仓库。它仅客观演示模拟真人访问目标网页的功能。
2026 年 9 月 21 日，我们在当时自建的公开测试站 plutoyyanng.cn 上整屏录了这段实况。测试站用固定的合成数据搭成，有 24 件商品、36 个模拟班次、30 条资料公告和 3 个展示点，每个答案都能与测试站的数据源核对；站内没有账号、支付或真实预订，也不涉及任何第三方网站。屏幕左边是聊天前台，右边是一个未登录的 Chrome。我们在前台逐题输入题目，网页上的每一步由驾驶模型现场决定。
六道题层层递进，走遍测试站的六个页面。第一道题从空白页打开网址，之后每一道都接着上一道留下的页面继续：
| # | 页面 | 题目要点 | 驾驶用时 | 步数 |
|---|---|---|---|---|
| 1 | 工作台 | 读四项统计和四个类别的件数，再打开“数据说明”弹窗读三条说明 | 38 秒 | 2 |
| 2 | 商品样本 | 在音频设备里筛出新品、按价格排序，打开最便宜的一件，读单价、库存、规格和关联资料 | 83 秒 | 13 |
| 3 | 班次数据 | 筛出北京到上海、按票价排序，打开最便宜的一班，读时刻、票价、余位和开行日期 | 70 秒 | 12 |
| 4 | 条件查询 | 查 10 月 1 日成都到乐山、08:00–16:00 出发、票价不超过 100 元、只看有余位的班次 | 108 秒 | 14 |
| 5 | 资料公告 | 翻到第 3 页读第一条资料，再跳到它关联的商品，读单价、库存和评分 | 44 秒 | 7 |
| 6 | 展示点信息 | 进页面先弹出一则营业时间调整公告，读出特殊时段，再读常规营业时间和关联商品 | 40 秒 | 3 |
六道题驾驶合计 6 分 24 秒、51 步，没有动作被引擎拒绝。43 项交付内容逐一和测试站的数据源核对，全部一致。驾驶模型是 DeepSeek V4.1 Flash（OpenCode，思考档 high），六道题的模型费合计 $0.060，不含聊天前台、硬件和人工。
这段实况用的是冻结版代码（与下文 300 次运行同一版本）加四处页面读取的小修。四处都是在这个测试站上发现的同一类问题：页面上看得见，模型收到的页面结构里却没有，或者认错了。例如，被标签包住的票价输入框没有进入页面结构，模型只能用方向键把数值一点点调出来，那次条件查询跑了 464 秒（当时的驾驶模型是 DeepSeek V4 Flash）；补上这一处之后，同一台机器、同一个模型再跑一次用了 217 秒。实况是在另一台机器上录的，换用了 V4.1 Flash、四处都已补上，这道题用了 108 秒；条件不同，不能和前两个数字直接比。四处修正都可以单独关闭，回到冻结版的行为。
测试站是我们自己搭的，页面数量、交互和数据量都比真实网站简单。这一段只说明这六道题、这一轮的结果，不代表真实网站上的表现；真实网站上的批量结果见下文“300 次运行”。视频、每道题的结果、运行报告、核对清单和哈希见实况说明。
起点：一道需要两个网站接力的出差题
早期验证从一道出差题开始。2026 年 6 月 28 日，我们把一次真实出差改编成测试题：次日从北京去上饶，18:00 前到酒店；到上饶前要先到南昌和同事汇合，所以必须先飞南昌再换高铁。航班落地、去高铁站的转场、发车、到店，四个时间必须同时对得上。看错其中一个，就可能得到一条走不通的行程。
模型连续操作东方航空和 12306，查询航班与车次，再按题设给定的机场转站 2 小时、上饶站到酒店 30 分钟，核算出这条去程：
MU6139 北京首都 10:40 → 南昌昌北 13:05
+2h 前往南昌西站
G1616 南昌西 15:27 → 上饶 16:46
+30min 前往酒店
17:16 到店，距 18:00 还有 44 分钟
当时只测试了去程。随后换成国航加 12306，要求去程、返程四段都实际查询。前四轮陆续暴露出页面状态、动作反馈和列表处理问题；修正后，第五轮共尝试 36 次动作，其中 35 次返回执行成功、1 次被拒绝，最终完成四段查询。无需人工接管指的是这次修复后的运行，全程没有进入购买流程。
后来又用 Codex 复现同一道题。前两轮被叫停，期间修正了输入框残值处理、浮层关闭后引用旧对象和列表回顶等问题；第三轮的 56 次动作尝试均返回执行成功，完成了去返两条链路，未由人工接管。新增动作主要用于扩查航班备选，其中包括此前运行没有完成查询的北京大兴方案。
这两次成功运行采用了不同的查询路径。由于预算、任务提示和工具版本也有变化，35 次与 56 次的差距不能单独用于判断模型能力。完整的运行条件与修复过程见早期迭代记录。
单次复现之外：用七种驾驶组合查找缺陷
下面这批记录来自工具仍在迭代的早期阶段，主要用于查找缺陷。这里把模型与运行它的 CLI 环境合称为“驾驶组合”；结果对应当时的版本与配置，后续版本的表现需要重新测试。
一组受控测试让 Claude、MiniMax、DeepSeek 和 Qwen 在同一自动感知条件下分别完成相同的电商任务。淘宝任务的首轮测试中，四个模型都完成了任务；京东详情任务的首轮则暴露出一处工具层交付缺陷：页面信息已经采集到，却没有完整进入模型实际收到的页面结构。
这个问题最初一度被误判为模型能力不足。沿保存的现场记录复核并修正工具层后，四个模型按同一条件整组重跑，均在 4 次动作内完成任务，提交字段也都通过冻结证据核验。这次排查说明，多模型测试还能提供定位线索，帮助区分模型决策问题与工具交付缺陷。
2026 年 7 月 3 日至 4 日，我们又把密集测试扩到 Claude、Codex、DeepSeek、Qwen、MiniMax、混元和豆包七种驾驶组合，覆盖出行、电商、表单和内容四类任务、两轮循环，累计 30 余次驾驶测试。各类任务参与的组合不同，下面的分母分别表示实际参加该项测试的组合数量。第一轮并不好看：陌生城市对的混合出行，全程查询完成比例只有 1/3；跨站电商比价为 3/3；酒店长表单为 3/4；双站内容汇总为 4/4。
第二轮扩大了陌生城市对的测试范围：原先的 Codex、DeepSeek、Qwen 再次运行，并加入此前未测试这道题的 MiniMax。四个组合中，Codex 和 MiniMax 完成了全部查询；DeepSeek 和 Qwen 完成了大部分流程，但在返程航段耗尽了动作预算。在这四次运行中，首轮出现的错月和误触问题没有再次发生。
这些数字不能合并成一个“七模型成功率”。不同模型运行在不同 CLI 环境中，参与的任务也并非完全相同；同一个模型更换运行环境后，面对大日历浮层也出现过明显不同的操作行为。这些观察提示，模型、运行环境和收到的页面信息都会影响结果，各种组合的稳定性需要分别测量。
和 Browser Use 的六对同题对照
2026 年 7 月，我们首次与 Browser Use 做了六对同题对照。任务要求先从 Investing 核对 RXT 行情，再从 SEC 首页逐级找到最新的 8-K 和 EX-99.1 字段。两边都用 DeepSeek V4 Pro，关闭经验，交替先手，相邻运行至少冷却 300 秒。最终输出交给同一套固定规则检查，下文称为“质量门”。
| 指标 | EH | Browser Use |
|---|---|---|
| 通过质量门 | 6/6 | 1/6 |
| 六轮用时中位数 | 391.8 秒 | 514.6 秒 |
| 六轮模型调用数中位数 | 22 | 24 |
| 六轮费用中位数 | $0.0456 | $0.0732 |
| 总费用 ÷ 通过次数 | $0.047 | $0.407 |
Browser Use 的五次未通过分为三类：一次在 SEC 入口之间绕行后没有形成结果，两次最终提交的字段不全，两次选错了申报对象。其中四轮在 SEC 阶段的第一个动作就选中了正确入口，问题出在后面的筛选、对象选择和结果提交。唯一两边都通过的一对里，EH 用时低约 5%，费用低约 5.5%，调用数略高。
质量门检查完成标记、必需字段和部分预设条件，没有自动将每个行情数值与页面逐项对照，也没有独立确认申报文件是当时最新、日期内容正确。因此，“通过质量门”不等同于全部字段已经完成事实核验。
这是项目方组织的固定配置测试。EH 的任务卡带分段查询和字段绑定指引，Browser Use 使用本地适配层；两边的提示、执行预算和结果提交机制没有完全对齐，推理档位是否等价也缺少记录证明。表格描述的是这道任务、这组配置下通过质量门的比例与运行开销，不能单独归因为框架能力差异，也不能外推成“全面领先”。这组对照没有跑前面那道飞机加高铁的出差题，Browser Use 在那道题上的表现没有记录。具体条件见对照说明。
300 次运行：把一道题扩大到 50 道
完成前面的缺陷排查后，我们把测试扩展到日常使用中的自然语言任务：自建 50 道网页任务，在无经验和有经验两种条件下各重复运行 3 次，得到两组各 150 次运行。无经验组不读取历史驾驶经验；经验组可以读取预先冻结的驾驶经验。两组都用 DeepSeek V4 Flash 经 OpenCode 驾驶，执行期间没有人工接管。这 300 份运行的交付，我逐份按任务交付要求核过；下面的 298/300 是按交付统计的通过数。
| 指标 | 无经验组（150 次） | 经验组（150 次） | 合计 |
|---|---|---|---|
| 执行结束并留下记录 | 150/150 | 150/150 | 300/300 |
| 通过交付判定（原冻结口径） | 149/150 | 149/150 | 298/300 |
| 实际涉及站点 | 46 | 45 | 并集 51 |
| 到达的去重 URL | 318 | 315 | 并集 479 |
| 保存的页面状态帧 | 1,880 | 1,800 | 3,680 |
| 累计任务用时 | 11 小时 46 分 | 11 小时 05 分 | 22 小时 52 分 |
| 每次运行用时中位数 | 200.2 秒 | 195.7 秒 | 197.9 秒 |
| 每次运行模型费用（均值） | $0.01876 | $0.01802 | $0.01839 |
| 输入缓存命中率 | 95.63% | 95.51% | 95.58% |
这张表怎么读：
- 149/150 表示每组通过原冻结交付判定的数量，关注模型是否获取并交付了任务答案。这 300 份交付由我逐份核验；298/300 是交付通过数，不扩大为独立第三方逐字段事实核验的准确率，也不能与前面 Browser Use 对照的质量门通过率合并。
- 经验组未提高交付通过数。效率收益有限且不稳定，不作为本项目主要卖点；这里保留两组的原始统计，不把耗时差异解释为自动学习收益或跨题泛化能力。
- 3,680 帧是每次感知后保存的现场，同一页面可以有多帧，不是 3,680 个不同网页。站点按主域名归一。
- 费用只含当时调用记录的模型费，不含硬件、网络和人工。缓存命中率按缓存读取 token 与未缓存输入 token 加权计算。
任务包括：查中国天气网上海未来三天有没有雨，证据必须来自 weather.com.cn；采集豆瓣电影 Top250 第二页的 25 部电影，片名和评分一条不能少，也不能混入第一页；核实“最近显卡是不是又涨价了”，需要两个不同来源的独立证据，“没有涨价”也是合法结论。
隐藏评分细则在开跑前写好，不提供给模型；题面中的来源、数量和字段等公开约束照常提供。已公开的样题以后只用于开发与回归，不再承担隐藏泛化测试的证明作用。任务结构、十条样题与判定说明见任务集附录。
这些记录的能力边界
- Canvas。 画布内部的内容识别与交互暂不承接，图标类控件的识别在计划里，还没算进能力。
- 缺少语义的控件和动态页面。 没有可靠字段说明的控件、复杂的输入联动、浮层切换、虚拟滚动，仍可能造成识别缺口或操作受阻。新站点要先验证可操作范围和停止条件。
- 模型本身。 页面建模补不上模型的推理和规划能力。反复操作、收尾不足、预算耗尽都是已经观察到的问题，小尺寸本地模型的可用程度要单独测。
- 无人接管的范围。 已有的长批次来自预先约定任务和权限的测试环境。登录态变化、站点改版、验证码都会中断交付；有购买、删除、授权等副作用的流程不能直接套用只读测试的结论。
上述测试版本在动作派发前会检查目标是否有效、动作是否允许、落点是否被遮挡，命中支付、购买、删除、授权规则的操作会被拒绝并留下原因。300 次运行里这类规则没有触发过，所以这组数据不能证明它在真实高危请求下的拦截效果。项目只面向授权范围内的任务，不提供绕过登录、验证码或平台限制的能力。
番外：一次企业流程探索
我们也在飞书里试过一条 OA 流程：在沙盒 OA 环境中给 agent 一个受控员工账号，把网页操作接进企业审批。目前仍处于探索阶段，没有对应的在售产品，也不代表部署或托管承诺。
当前 MCP 客户端与试用
9 月文章中的旧托管演示入口已经退役。现在的方式是：把你自己的 Agent 接到你自己的浏览器。Chrome 在本机运行，网页采样需要发送到云端处理；模型与 Agent 由你选择。
客户端仓库、安装和接入说明。需要 Python 3.10+、Chrome，以及能够访问本机文件、加载 MCP 工具的 Agent。启动本机控制台后，按说明注册并验证邮箱、激活权益、连接浏览器，再把接入指令交给自己的 Agent。
客户端代码采用 AGPL-3.0-only，云端核心不包含在这个仓库中；在线服务需要有效订阅权益，自己的模型调用费用另计。仓库里提供了一批一次性试用激活码，见 赠送激活码-20个.txt；部分可能已经领取，以文件和实际激活结果为准。
公开 HTTP(S) 站点不要求精确白名单，敏感站点和私有网络入口受限制。浏览器在本机，页面采样仍会经过云端，使用前请阅读控制台中的服务协议。
如果你在工程中遇到类似问题，或者对这些记录有疑问、有复核意见，欢迎发邮件交流：eventhorizontest@163.com，标题以「[EH 反馈]」开头，不要发附件。反馈时可以说明具体任务、Agent 当时看到什么，以及从哪一步开始走偏。
本文根据我之前的知乎实测文章整理，保留历史实验的时间与统计口径，更新了当前接入方式。演示仓库保留完整历史录制、逐题结果、报告与附录。
