Microsoft Webwright переводит веб-агент в режим открытого исходного кода, переходя от «клик» к «коду»

Microsoft Research недавно открыла исходный код своей новой платформы для веб-агентов — Webwright. Вместо использования широко распространённой модели прогнозирования на основе «скриншотов и кликов по DOM», эта платформа позволяет моделям искусственного интеллекта напрямую писать код Playwright и выполнять команды Bash в терминале, что обеспечивает более эффективное и логичное выполнение сложных веб-задач.

I. Основная архитектура: минималистичный подход «Terminal-First»

Философия проектирования Webwright проста: «Один терминал лучше тысяч абстракций». Фреймворк состоит из примерно 1 000 строк кода , разбитых на три основных модуля, без сложной координации действий нескольких агентов:

Runner (около 150 строк): управляет основной логикой цикла агента, обрабатывая контекст и выполнение.

Model Endpoint (около 550 строк): унифицированный интерфейс для взаимодействия с моделями, поддерживающий такие бэкенды, как OpenAI, Anthropic и OpenRouter.

Terminal Environment (около 300 строк): предоставляет изолированную среду выполнения в терминале, где модель может запускать скрипты Playwright, просматривать логи, анализировать скриншоты и отлаживать.

Рабочий процесс: Runner отправляет текущий контекст задачи модели → модель генерирует «ход мыслей» и «команду Shell» → среда выполняет их и возвращает результаты (вывод, скриншот, стек ошибок) → цикл продолжается до завершения задачи.

II. Почему стоит перейти от «кликов» к «написанию кода»?

Современные основные агенты управляют браузерами, постоянно предсказывая «клики, прокрутку, ввод данных», что приводит к проблемам с эффективностью и сложностям в управлении состоянием. Подход Webwright, основанный на коде, предлагает явные преимущества:

Повторное использование логики: каждая операция генерирует повторно используемые скрипты RPA (автоматизация робототехнических процессов), а не одноразовые записи кликов. Эти скрипты можно повторно использовать в других инструментах, таких как Claude Code или Codex.

Обработка сложной логики: код естественным образом поддерживает циклы, функции и ветвления. Для задач с длинной цепочкой действий, таких как заполнение форм, межстраничные операции и условные переходы, выражение кода значительно превосходит простое накопление действий.

Исправление инженерных ошибок: анализируя трассировки стека после ошибок выполнения, модель может автономно входить в итеративный цикл «написать код — запустить — обнаружить ошибку — исправить», что значительно повышает показатели успешности задач.

III. Инженерные прорывы: решение проблем «ложного успеха» и «раздувания контекста»

Webwright предлагает целенаправленные решения для двух распространённых проблем агентов:

Механизм самопроверки шлюза: предотвращает ложное заявление модели о завершении задачи. Модель должна сначала сгенерировать «конфигурацию самопроверки» и запустить финальный скрипт в «чистой» среде. Только после того, как саморефлексия подтвердит, что задача действительно выполнена, она может выдать маркер завершения.

Сжатие истории: чтобы справиться с перегрузкой контекста, возникающей при длительных траекториях, система сжимает историю в сводку каждые 20 шагов, обеспечивая, чтобы окно контекста всегда фокусировалось на ключевых этапах прогресса.

IV. Результаты тестирования: превосходство над эталонными показателями

В тестах по эталонным показателям, проведённых в мае 2026 года, Webwright продемонстрировал исключительно высокие результаты:

Online-Mind2Web: Webwright на базе GPT-5.4 достиг точности 86,67 % в рамках бюджета из 100 шагов, войдя в число лучших решений с открытым исходным кодом.

Odysseys (задачи с длинными цепочками): при работе со сложными инструкциями, содержащими в среднем 272 слова, Webwright + GPT-5.4 набрал 60,1%, что на 81,5% превышает результат базового GPT-5.4 (33,5%) и превосходит показатель лидера апрельского рейтинга — Opus4.6 (44,5%).

Отзывы отрасли

Появление Webwright подчеркивает важную тенденцию: по мере улучшения возможностей моделей в области программирования агенты переходят к «парадигме разработчика». Рассматривая браузер как программируемую конечную точку, а не просто интерактивный интерфейс, Webwright успешно поднимает эффективность и надежность выполнения веб-задач с помощью ИИ на новый уровень.

Для разработчиков Webwright — это не просто фреймворк для агентов, а «суперсотрудник», способный автоматически писать, поддерживать и упаковывать скрипты автоматизации. Проект теперь доступен с открытым исходным кодом на GitHub.