在 AI Agent（智能体）执行网页自动化任务时，一个长期被低估但极其关键的成本中心是 “浏览器上下文传递”。当 Agent 需要 “点击搜索框”、“填写表单” 或 “阅读文章摘要” 时，传统的无头浏览器（Headless Browser）方案往往会返回一个未经处理的完整 DOM（Document Object Model）快照。这些快照可能包含数万个 HTML 标签、大量的 CSS 类名、隐藏元素和无意义的占位符，其 Token 消耗远超一次简单的模型调用所需的上下文窗口。一个未经优化的 DOM 传输，轻轻松松就能消耗掉数十万 Token，不仅推高了推理成本，更因上下文窗口限制严重拖慢了任务执行速度。
这种效率低下的根源在于传统架构并未针对 “大模型阅读” 进行设计。当人类浏览网页时，大脑会自动过滤广告、导航栏和无关装饰，只聚焦于核心内容；但无头浏览器不会。因此，设计面向 AI Agent 的浏览器架构，核心思路就是模拟人类的注意力机制：让浏览器在渲染层或传输层就完成一次 “语义压缩”，只将 Agent 真正需要理解的结构化信息传递给上游模型。
一、选择性内容提取与 DOM 语义压缩
解决 Token 效率问题的第一层防御是选择性内容提取。与其将整个网页的 HTML 源码倾泻给 Agent，不如在浏览器内核或中间代理层实现一次 “语义清洗”。
传统方法往往直接传输document.documentElement.outerHTML，这包含了巨量的噪声。一个更好的实践是构建 **DOM 摘要（DOM Summarization）** 管道，其核心步骤包括：首先，合并不具备语义价值的容器节点，例如将层层嵌套的div包装层压缩或展平；其次，将可视化不可见或用户不可交互的元素（如display: none的节点）完全剔除；最后，将剩余的结构转换为模型更易理解的格式，例如仅包含交互元素（按钮、输入框、链接）的可访问性树（Accessibility Tree），或者结构化的 YAML/JSON 表示。研究表明，经过语义压缩的 DOM 可以缩减至原始大小的 3%-4%，将百万级别的 Token 消耗压缩至数千级别，极大地释放了上下文窗口的可用空间。
在工程实现中，可以参考类似 D2Snap 的技术策略，通过合并低语义密度的容器、转换文本内容为 Markdown 格式，并基于 UI 特征评分（如交互频率、视觉权重）剪裁低关联区域。这种 ** 降采样（Downsampling）** 策略使得 Agent 能够在保持任务成功率（67%-73%）的同时，完美适配 128K 的上下文窗口限制。
二、增量更新与 Diff 策略
在多步骤的网页交互中，Agent 通常需要在每次操作（点击、输入）后重新获取页面状态。如果每次都传输完整的 DOM 摘要，不仅浪费带宽，更浪费 Token。这里引入第二层优化：增量更新（Incremental Update）。
增量更新的核心思想是 “Diff” 哲学。当 Agent 点击了一个按钮导致页面局部刷新时，浏览器架构不应重新生成全量摘要，而是计算出 DOM 树的变化部分（Diff），仅将新增、删除或修改的节点推送给 Agent。结合 Chain-of-Key（CoK）等策略，甚至可以在不破坏 Agent 上下文记忆的前提下，动态合并新的节点信息。这不仅减少了每次调用的 Token 量（通常可节省 57% 以上的成本），还能避免因全量刷新导致的 Agent 状态丢失，让 Agent 能够感知到 “我的点击导致了什么具体变化”。
此外，对于长周期的 Agent 工作流（如多页签爬取或复杂表单填写），引入 ** 语义缓存（Semantic Caching）** 至关重要。如果两个查询请求的页面结构高度相似，架构可以直接返回缓存的摘要结果，彻底跳过重复的渲染与压缩计算。
三、工程落地：参数配置与监控指标
将上述架构理念落地到生产环境，需要关注以下可配置的参数与监控指标：
关键参数建议：
- 摘要压缩比阈值：设定 DOM 摘要大小上限，例如不超过原页面的 5% 或绝对值不超过 8,000 Token。当页面超出此阈值时，优先剔除非视口内元素（Lazy Loading 策略）和低权重文本块。
- 增量 Diff 粒度：定义最小变更检测单元，通常建议以组件（Component）或特定 DOM 节点 ID 为单位，避免因细微的文字变化触发全量更新。
- 缓存 TTL（生存时间）：对于非动态页面（如静态文章、产品详情页），设置摘要缓存时间为数小时至数天，并根据页面
Last-Modified头进行验证。
核心监控指标：
- Token 节省率：
(原始DOM Token数 - 摘要Token数) / 原始DOM Token数，目标是达到 90% 以上的节省。 - 任务完成时间（TCT）：对比全量 DOM 方案与摘要方案，完成同一 WebVoyager 基准测试任务的总耗时，验证效率提升是否以牺牲准确性为代价。
- 摘要 F1 得分：评估摘要信息对 Agent 任务成功率的支撑程度，确保 “省 Token” 不等于 “省掉了关键信息”。
在实现层面，当前已有开源方案（如 BrowserBee）和商业 API（如 Smooth.sh）开始践行这一架构。它们通过 “浏览器插件 + 中间件” 的组合，在渲染层面对 DOM 进行预筛选和结构化，直接输出给 Agent 的已经是高度精炼的结构化文本。这种 **“Model-Native Browser”** 的思路，正在成为 AI Agent 工程化的新标准。
总而言之，面向 AI Agent 的浏览器架构演进，本质上是一场 “注意力经济学” 的革命。通过在源头削减无效信息流，我们不仅能显著降低模型调用成本，更能从根本上提升 Agent 处理复杂长流程任务的能力上限。
参考资料：
- Smooth.sh 官网 - 服务器端 AI 浏览器代理 API 设计理念。
- 相关学术研究 - DOM Downsampling 与 LLM-Based Web Agents（arXiv: 2508.04412）。