8月20日，智能体圈被两条消息同时刷屏。
一条来自OpenAI。据IT之家报道，OpenAI宣称AI智能体已经可以"熟练操作电脑"——最新模型从训练初期到后期的各个阶段，都加入了专门提升电脑操作能力的数据和训练流程，不是事后打补丁，而是从底层就为"动手"设计的。知乎同一天知乎上了两个相关热榜问题，一位参与开发电脑操作智能体基准测试的哥伦比亚大学研究员解释，这类训练是在通用模型已有能力之上继续强化。
另一条来自国内桌面智能体战场，就发生在这几天：豆包"虚拟桌面"8月18日上线Windows端，纯GUI视觉识别，不依赖API和MCP，直接在独立沙盒里模拟键鼠；百度搭子7月月活674.3万，环比涨了1063.79%；千问办公8月3日开启公测，腾讯WorkBuddy月访问量2097万领跑全赛道——按文中引用的易观数据，今年6月国内PC端AI原生办公智能体市场总访问量已经突破6062万次。知乎
表面上看，这是又一轮"AI替你动手"的热闹。但如果你是那个真的在写Agent、想让它在生产环境里干活的开发者，这一波对你的意义不太一样："给智能体装上手"这件事本身，已经不是门槛了；让这双手稳定干活，才是。
翻了翻最近知乎、B站、36氪上的讨论，我发现真正在生产环境里踩坑的开发者，纠结的几乎都不是"模型够不够聪明"，而是三笔很不性感的账。
第一笔账：进不去
很多人对电脑操作/浏览器操作Agent的印象，还停留在Demo：智能体打开页面、点按钮、填表单，一气呵成。但Demo环境是受控页面、单线程、没有防御；真实互联网不是。
最近知乎上一篇热度很高的长文给了一组数据（先声明：该文出自网页数据服务商视角，具体数字建议谨慎采信，但它描述的问题在开发者社区里是普遍共识）：一个没做任何反爬配置的"裸"浏览器智能体——就是直接用Playwright或Puppeteer拉起的自动化浏览器实例——在主流电商网站上的平均存活时间不到15分钟；某些社交平台甚至能在前5个请求内就识别并拦截。知乎它面对的是分层防御：最外层是WAF，看TLS指纹、HTTP头特征和IP信誉；中间层是行为分析，追踪鼠标轨迹、点击间隔、页面停留时间；最内层是浏览器指纹和验证码。自动化脚本那些"标准动作"——精确到毫秒的点击间隔、完美线性的鼠标移动——在统计意义上恰恰是最显眼的破绽。
你的Agent从"Demo里打开三个网页"变成"持续访问成百上千个页面"时，摔的第一跤往往就在这里。
第二笔账：读不懂
进去了，第二个问题来了：怎么把页面变成Agent能用的结构化数据。
现代网页的DOM动辄几千个节点，真正有用的信息可能不到5%，其余是导航栏、推荐位、广告、埋点脚本。传统做法用CSS选择器或XPath定位元素，但这套东西极其脆弱——按上面那篇长文的统计，100个目标网站里，平均每个月有12%到15%会发生让提取规则失效的页面结构变化。知乎你维护100个站的提取规则，每个月就得修12到15个，而且这个负担不会随时间减少。
电脑操作型Agent还多一层难：它执行任务时可能动态访问完全陌生的网站，压根不存在"预先配置好的提取规则"，需要的是自适应任意页面结构的提取能力。这不是"脚本写得仔细一点"能解决的问题，而是另一种工程能力。
第三笔账：跑不起，也算不清
第三笔最隐蔽，是成本。分明账和暗账两种。
明账是基础设施的钱。那篇长文里有个真实案例：一个跨境电商团队要监控5000个SKU在Amazon、Walmart、Target上的竞品价格，自建了50个Playwright实例的采集集群——每月代理费约8000美元，采集成功率在70%到85%之间波动，Amazon每两三周更新一次反爬策略，整个集群就要瘫痪48到72小时等工程师救火。文章估算，一套企业级网页数据采集基础设施的年维护成本（人力+服务器+代理+带宽）通常在50万到200万美元之间。知乎具体数字见仁见智，但方向是确定的：规模化本身就是一门独立的学问。
B站这周有条3万播放的视频，标题很直观：《烧了4亿Token，就为了让长辈用智能手机轻松点》。哔哩哔哩做一个给长辈用的手机辅助Agent，token消耗就能以亿计——生产环境的账单和Demo阶段的账单，根本不是同一个物种。
暗账是token计费本身。8月19日，OpenAI Codex负责人Tibo捅破了一层很多人忽略的窗户纸：同一段文本，GPT-5.6 Sol的分词器切出766个token，Claude Opus 5的估算是1170个，差了34.5%——而两家的输入单价都是每百万token 5美元。36氪他的比喻很妙：两张一样的披萨，一家切8块，一家切16块，第二家单块标价更低，但整张吃下来反而更贵。“你的胃并不关心你刚才吃了几块。”
坑还不止这一个。Anthropic官方文档写得明白：Claude 4.7之后的模型换了新分词器，同样文本的token数比早期模型大约多30%，旧模型上量出来的计数别直接复用。缓存价差也很大：GPT-5.6 Sol缓存输入0.5美元/百万token，只有标准价的十分之一；但输出端是30美元/百万token起，而真实Agent工作流里输出token的权重往往比输入更狠——前面靠分词效率省下的34.5%，很可能在输出端吐回去。最隐蔽的一条写在GPT-5.6 Sol官方定价页的小字里：输入超过272K token时，整次请求的输入按2倍计价、输出按1.5倍——不是超出部分加价，是整个请求换档。36氪同一段代码，在27万token的上下文里问和在28万token的上下文里问，单价就不一样。
这些数字拼起来意味着：如果你还在拿"每百万token单价对比表"估算Agent的月度成本，那笔账从第一天起就可能偏差三成以上，而且调用量越大、偏差越疼。
这波大战真正在卷的，是模型之外的那层
把三笔账放在一起，会发现它们指向同一件事：电脑操作Agent从Demo到生产，缺的从来不是模型智商，而是模型之外那整套可靠性基础设施——行业现在管它叫Harness。今年3月，LangChain把这层关系总结成了一个公式：Agent = Model + Harness。知乎模型决定能力上限，驾驭层决定能力能不能变成稳定交付。
事实上，这周的混战已经在朝这个方向投票了：Playwright从开发者测试工具变成AI网页自动化的核心基础设施；豆包虚拟桌面先立沙盒再谈键鼠模拟；DeepSeek Harness开发者预览版8月13日发布，5天拿下近15万GitHub Star——大家抢的早就不只是"谁的模型会操作电脑"，而是"谁的执行稳定、可控、可审计"。知乎
36氪这周编译的一篇文章里有句话说得挺狠：智能体的"死循环"——反复自我调用、自我修正——只是一张"止血贴"，掩盖的是"几乎没人能成功写出有效提示词"、任务从一开始就没交代清楚的事实。36氪Token消耗不是生产力，评估标准（evals）才是。那篇文章给了个判断：如今99%的AI营收来自编程，就是因为代码只有跑通和跑不通两种状态，自带评估标准；其他领域什么时候能定义清楚"什么叫做完了"，Agent什么时候才谈得上创造价值。
动手之前，先回答三个问题
如果你正打算给自己的Agent"装手"，建议先回答这三个问题：
第一，这个任务值不值得上基础设施。 一次性、低频、可容错的任务——比如一周订一次餐厅、填一张固定表单——裸Agent加人工兜底就够了，别过度工程化；高频、大规模、对成功率有硬要求的任务——比价监控、知识库保鲜、批量处理——先把上面三笔账做进预算，再动手。
第二，你怎么定义"做完了"。 写Agent之前先写evals。没有评估标准，你的Agent"成功"与否永远是感觉，成本优化也无从下手。评估套件会越来越像团队的核心资产，因为没有一个通用eval能适配你的业务。
第三，哪层自建，哪层外包。 原则一句话：产生差异化的层自建——任务编排、业务判断、评估标准；对抗全互联网的层外包——反爬、渲染、代理池。真需要大规模网页访问，现在行业里已有托管网页访问层这类服务，把反爬、渲染、结构化封装成API；但提醒一句，这个方向不少案例数据出自厂商自己的文章，成功率和投入产出比的数字，建议打个折扣听。
至于成本，给个实操建议：别看单价表。拿你的真实工作负载，在候选模型上各跑一遍，直接对比返回的input/output token数，再看缓存命中率和输出占比——官方自己都建议这么干。另外值得留个信号：Tibo说，计费的下一个单位可能是"每次成功"。真到那一天，Agent的成本账会整个重写，早一点把eval跑起来的人，账本切换的成本最低。
这一波电脑操作Agent的热闹，Demo层面的胜负已经定了。真正的下半场在生产环境里：进不进得去、读不读得懂、跑不跑得起、算不算得清。OpenAI那句"熟练操作电脑"可以当成这个方向的入场券来看——但真动手之前，先把这几个不性感的问题答完。
