如何构建跨网页运行的金融智能体 - Jay Sahnan & Arik Bird，Browserbase

하이라이트

• Ramp 使用浏览器智能体来自动登录航空公司的门户网站、截取收据并与交易进行匹配，从而节省了超过 3 万个本需人工完成的数据录入小时。

• Browserbase 对 Chromium 二进制文件进行了分支修改，移除了 `webdriver = true` 等自动化标志、统一了身份标识，并让浏览器进程保持运行以降低被封锁的概率。

• Stagehand 将 DOM 缩减为无障碍树，将发送给大模型的 token 数量从原始 HTML 的 12.2 万个减少到约 4000 个。

• Stagehand 提供了 `observe`、`act` 和 `extract` 三个核心原语，其中 `extract` 能够将网页中的非结构化数据直接提取到 Zod schema 中。

타임라인

1. 00:22 - 02:13

   浏览器智能体的定义与金融领域的痛点

   随着各类金融和支付机构的不断成长，日常运营中需要与大量不同且极难访问的门户网站进行交互。传统的API接口无法覆盖所有的网页场景，这促使业界开始转向利用浏览器智能体来替代传统的人工操作。

   • 浏览器智能体赋予人工智能访问网络、读取网页信息并执行操作的能力。
   • Ramp、Bill 和 Stripe 等金融机构处理高度敏感的信息，但这些信息往往位于受到严密反爬虫保护或需要登录的网页中。
   • 许多网页没有现成的 API 或 MCP，因此浏览器成为了智能体触及这些数据的唯一工具。
2. 02:13 - 07:49

   Ramp 的案例与数据中心浏览器的扩展挑战

   企业在扩展浏览器自动化任务时，无法在本地运行成千上万台笔记本电脑。然而，直接将原生无头浏览器部署到云端会触发目标网站的反爬虫机制。通过对浏览器底层二进制文件进行定制，可以有效伪装浏览器的数字指纹并保持高效的进程管理。

   • Ramp 初期依赖人工团队登录各大门户网站获取收据，但这种模式在企业规模化时会受到严重的人力瓶颈制约。
   • 将标准的 Chromium 无头浏览器直接部署到数据中心时，会产生全新的指纹、空白的 Cookie 以及容易暴露的服务器代理IP。
   • Browserbase 通过对 Chromium 二进制文件进行深度修改来应对这些挑战，包括移除自动化标志和保持进程处于活动状态。
3. 09:43 - 15:13

   使用 Stagehand 解决多样化门户的控制问题

   当面对成千上万个UI各不相同的第三方财务门户时，硬编码的自动化脚本失去了作用。Stagehand 结合了大语言模型与传统代码的优势，能够通过自然语言指令自适应地识别页面元素并执行点击或表单填写操作。

   • Bill 需要处理数千家不同供应商的付款，每个门户网站的结算流程和用户界面各不相同。
   • 传统的 Playwright 脚本在网页按钮位置或文本框名称发生变化时极其容易崩溃，缺乏大规模运行的可靠性。
   • Stagehand 允许开发者使用自然语言提示词来控制浏览器，同时将庞大的原始 HTML 缩减为无障碍树，大幅减少了 token 消耗。
4. 15:13 - 19:36

   Stripe 的 KYC 验证与 Stagehand 的核心原语

   在处理大规模商户身份验证时，浏览器智能体展现出了极高的实用价值。通过使用结构化提取原语，开发者能够精准地从公司官网、投资者关系页面以及 SEC 备案文件中抓取并整理出所需的金融合规数据。

   • Stripe 每月需要为成千上万的商户进行入驻和验证，过去主要依靠人工团队访问各州国务卿网站获取企业信息。
   • Stagehand 提供了 `observe`、`act` 和 `extract` 三个核心原语供开发者使用。
   • `extract` 功能可以将网络上杂乱的非结构化数据直接转换为规范的 Zod schema 数据结构。