Fara1.5：浏览器 Agent 的关键不只是会点按钮

先说结论

浏览器 Agent 的难点不是识别一个按钮，而是连续多步后仍知道目标、在缺信息时会问、在不可逆动作前会停。Fara1.5 最值得学习的是闭环：观察—思考—单步行动，加上能审计正确性、效率和用户授权的数据生产线。

问题

只用公开网页轨迹训练，会避开登录、发邮件、提交表单等真实任务；直接在真实账号上采集又有隐私与不可逆风险。长任务还会积累截图和历史，既昂贵又容易让模型丢掉当前页面。一个“能点”的模型如果不会澄清用户信息，也不能安全代理用户。

核心机制

Fara1.5 有 4B、9B、27B 三种尺寸。每一步读取完整文字历史和最近三张浏览器截图，输出思考与一个原子动作；搜索、记忆事实、询问用户等 meta-action 支撑长任务。训练轨迹来自 FaraGen1.5：环境负责真实开放网页与六类合成站点，强 solver 生成候选轨迹，verifier 按正确性、效率、用户交互三道门筛选。遇到缺少个人信息、任务歧义或未授权的不可逆动作，合格轨迹必须先询问。

原文报告 Fara1.5-9B 在 Online-Mind2Web 为 63.4%、WebVoyager 为 86.6%，均为自动评测且三次运行平均；本文没有独立复现这些数值。

如何接到 Zero-to-AI 学习实践

先把网页自动化拆成状态机，而不是一句“帮我办完”。每一步保存：当前截图、目标、已确认事实、下一原子动作、是否触及授权门。把最终结果和过程分开验收：页面到了不等于提交成功，提交成功也不等于没有多改数据。练习时优先使用本地假网页和假身份。

对会写入外部状态的动作，保存执行前后的可比较证据，例如购物车条目、表单字段或数据库快照。允许用户随时停止，并把“返回成功页面”和“服务端状态真的改变”分开记录。页面刷新后的视觉相似不能替代结果校验。

失败也要保留最后一个可信状态，方便人工接管。

低成本实验

做一个只有三页的本地静态站：商品列表、购物车、确认页，加入一个名称相近的干扰按钮。准备五个任务，其中两个缺收货信息，一个要求最终提交。让 Agent 逐步输出动作日志；在确认页前必须停下询问。人工按“目标完成、冗余动作、是否越权”打勾。这个实验验证控制流，不代表复现 Fara1.5 的模型能力或公开基准。

成功证据： 五个任务都有截图或状态快照与动作日志；缺信息的任务会先询问，最终提交前会停下，干扰按钮不会造成未授权状态变化。

停止线： 流程需要真实账号、支付、外部消息或不可逆提交，或者无法取得动作前后的状态证据时，停止自动操作并改用本地假页面。

误区

• 截图理解强不等于端到端可靠，错误会沿多步累积。
• 合成环境不是“假数据所以无用”；它的价值是安全生成可校验状态变化，但仍需检查迁移到真实网页的差距。
• sandbox 不能替代授权。隔离保护机器，用户确认保护现实后果。

原文与证据边界

Microsoft 将其称为 research preview，并提示 prompt injection、诈骗和误操作等风险。7 月 22 日页面追加了权重按 MIT 许可公开的信息；发布时间仍是 5 月 21 日。教程只概括页面公开机制，不为真实账号自动操作背书。

本文是原创中文实践解读，不是逐句译文。英文原文见 Microsoft Research 官方文章。