AI智能体网页调研实测：用同一任务比较信息准确率、耗时与人工接管成本

网页调研智能体的演示效果，不等于它能稳定完成一项可核验的研究任务。真正值得比较的，不只是回答得快不快，还包括关键信息是否正确、引用能否回到原始页面、遇到相互矛盾的说法是否说明依据，以及出错时是否及时请求人工接管。由于现有可核验资料没有提供多个产品在同一任务下的原始结果，本文不虚构实测成绩或产品排名，而给出一套可复现的对比方案，并说明如何解读已有基准测试。

先固定任务，再比较智能体

建议使用一份明确、可重复执行的任务单，例如：从预先指定的三家产品官网及其帮助文档中，整理某一功能的支持范围、适用限制和最近一次更新时间；每项结论都附上原始页面链接和对应依据。任务应包含相同的起始页面、问题清单、输出格式和截止条件。不要只写“调研某领域并总结”，否则不同智能体可能各自选择网页、扩大范围，结果便难以公平比较。

测试前还要锁定浏览器环境、网络条件、登录状态、任务提示词和可用工具。若产品无法使用相同底层模型或浏览器配置，应记录差异：此时测到的是整套产品方案的表现，不能把差异简单归因于智能体本身。

每个智能体至少重复执行五次，并保留完整过程记录。五次并非通用的统计标准，但有助于暴露偶然成功、网页波动和重复执行不稳定等问题。若任务涉及动态页面，还应标注测试时间，避免把页面更新导致的差异误判为智能体能力差异。

评分不只看答案，也看证据链

先把任务拆成可核验的关键事实，例如功能是否支持、限制条件是什么、更新时间对应哪一页。由人工依据指定来源制作标准答案，并在评分前确定每项事实的权重，避免看完结果后再调整口径。

准确率最好不要把所有事实简单计为“对或错”。例如，引用了正确网页却把适用范围说反，仍应记为事实错误；链接存在但页面没有支持该结论，应记为来源不匹配；遇到来源冲突却明确说明冲突和依据，则不应与无依据猜测同等处理。人工接管也不必一概视为失败：在权限不足或安全边界不明时及时暂停，可能比继续操作更可靠。应同时报告接管次数、人工处理时间和触发原因。

冲突信息要看处理过程

网页调研常见的问题不是“找不到答案”，而是多个页面给出不同口径：产品介绍页与帮助文档更新不同步，旧公告与新文档描述不一致，或页面只覆盖部分地区和用户类型。测试时应预先规定来源优先级，例如优先采用当前官方文档，并将官方公告、帮助中心和第三方页面分别标记；若仍无法判定，就要求智能体保留冲突并说明不确定性。

结果表中，每条结论都应对应来源、页面日期或抓取时间，以及支持结论的具体内容。仅列一串网址不足以证明答案可追溯。审核者还应抽查“结论—证据”是否一一对应，特别关注智能体是否把页面标题、搜索摘要或相邻段落误当作直接证据。

已有基准能提供什么，不能提供什么

一篇关于浏览器智能体的测试文章介绍了 Online-Mind2Web 基准：其中包含 300 项任务，覆盖 136 个网站。文章称，测试比较了参考浏览器智能体与语义智能体，每项任务各执行五次，并报告后者在其测试设置下的速度和成本改善。该结果可作为“多网站、重复执行”的测试设计参考，但它比较的是特定系统和工作流程，不能直接说明其他产品的事实准确率、人工接管成本或综合排名。 《The Missing Piece for Browser Agents》

因此，团队发布对比结果时，应同时公开任务单、测试日期、环境配置、评分口径、失败样例和重复次数。若只能披露汇总分数，读者无法判断差异来自任务、模型、网页环境，还是人工介入规则；一个数字也就很难成为可复核的产品结论。

【软盟资讯观察】

趋势判断：网页调研智能体的评估正在从“能不能打开网页并生成摘要”，转向“能不能把结论和证据连起来”。对企业而言，这让智能体有机会进入竞品监测、供应商信息整理和内部知识更新等流程，但前提是来源与过程可审计。

机会与风险：可复现的任务集、证据标注和接管日志，可能比一次演示更能帮助团队选型，也能为后续质量改进提供依据。风险在于，不同产品的模型、浏览器权限和失败处理机制往往并不一致，单一任务上的速度优势未必代表真实工作流中的总体收益。

冷思考：人工接管不是只需压低的成本指标。涉及账户权限、敏感信息或相互矛盾的证据时，智能体知道何时停下并交给人，可能比勉强给出完整答案更重要。评估的重点应是风险是否可控，而不只是自动化比例有多高。