企业官网建设流程全解析

1. 从一次表单回填任务看两类智能体执行链路

刚接触智能体执行范式的开发者，最容易混淆的就是 computer-use 和 browser-use。名字听起来差不多，实际执行链路差得很远。我用一个真实任务把两者摆在一起：打开一个网页，读取表单字段，回填内容并提交。这个任务足够小，小到你能在一杯咖啡的时间里跑通；又足够典型，典型到能暴露两类链路在输入输出上的根本差异。

先说结论性的判断：browser-use 是「在浏览器里操作 DOM」，computer-use 是「在操作系统里操作屏幕」。前者拿到的是结构化节点，后者拿到的是像素坐标。这个差异决定了它们的输入格式、输出格式、调试方式、失败模式全都不同。

browser-use 的典型链路是这样的：智能体接收一个自然语言目标，比如「打开 example.com/form，把姓名填成张三，邮箱填成 test@example.com，然后点提交」。执行层通过浏览器自动化协议（CDP）或 Playwright 这类工具，把页面解析成可访问性树或 DOM 快照，模型看到的是带编号的可交互元素列表，然后输出一个动作，比如click(element_id=3)或type(element_id=5, text="张三")。整个过程模型不关心元素在屏幕的哪个像素，只关心元素在结构树里的位置。

computer-use 的链路完全不同。模型看到的是屏幕截图，输出的是坐标级动作，比如click(x=420, y=310)或type(text="张三")。它不知道那个坐标下面是一个 input 还是一个按钮，它只知道「这里看起来像输入框」。执行层通过操作系统级输入注入（比如 xdotool、pyautogui 或平台原生 API）把动作打到真实屏幕上。

我实测下来，同一个表单任务，browser-use 平均 4 到 6 步完成，computer-use 平均 8 到 12 步。差距主要来自 computer-use 需要先「看」再「点」，每一步都要重新截图确认状态。但 computer-use 的优势在于，它能操作浏览器之外的东西，比如弹窗、系统对话框、桌面应用。browser-use 遇到浏览器之外的界面就无能为力了。

适合谁？如果你只做 Web 自动化，browser-use 是更省事的选择，调试也直观，报错能定位到具体元素。如果你要跨应用、跨窗口，或者目标系统没有稳定的 DOM 结构（比如老式桌面软件、Canvas 渲染的页面），computer-use 是唯一出路。两者不是替代关系，是不同抽象层级的工具。

下面我会先讲怎么把这两类链路的 endpoint 统一接到一个可调用的入口，然后给出可复制的请求示例，再跑通同一个表单任务做结果对照。你跟着做，能拿到两条链路的真实返回。

2. TaoToken 前置准备与 endpoint 统一调用配置

在跑通两条链路之前，需要先解决一个现实问题：computer-use 和 browser-use 背后的模型调用，往往分散在不同厂商、不同 endpoint、不同鉴权方式上。browser-use 常用的是支持视觉或结构化输出的模型，computer-use 需要的是能理解截图并输出坐标的视觉模型。如果每个都单独配 Key、单独改 base_url，调试成本会很高。

我的做法是把两类链路的模型调用都收敛到一个统一入口。TaoToken 提供的是 OpenAI 兼容的 API 格式，base_url 指向https://taotoken.net/api，模型 ID 按需选择。这样 browser-use 和 computer-use 的执行层只需要改一个 base_url 和一个 model 字段，其余请求结构不变。

先拿 Key。访问https://taotoken.net/api-keys，登录后创建一个 API Key。这个 Key 就是后面所有请求里Authorization: Bearer后面的那串字符。注意不要把它写进前端代码或公开仓库，放在环境变量里。

拿到 Key 之后，先做一次最小连通性验证。用 curl 发一个最简单的 chat 请求，确认 endpoint 和 Key 都有效：

export TAOTOKEN_API_KEY="sk-你的key" curl -s https://taotoken.net/api/v1/chat/completions \ -H "Authorization: Bearer $TAOTOKEN_API_KEY" \ -H "Content-Type: application/json" \ -d '{ "model": "gpt-4o", "messages": [{"role": "user", "content": "reply with ok"}], "max_tokens": 10 }'

如果返回里有choices字段，说明链路通了。这一步很重要，因为后面 browser-use 和 computer-use 的报错，很多时候根源不在执行层，而在模型调用层。先把模型调用层验证干净，排障时能少走弯路。

接下来是配置的统一。browser-use 这类库通常支持自定义 LLM provider，你可以在初始化时传入 base_url 和 api_key。computer-use 的执行框架如果也是基于 OpenAI 兼容接口，同样改这两个字段即可。关键点是：两条链路共用同一个 base_url，共用同一个 Key，只是 model 字段可能不同。

这里给一个通用的配置片段，适用于大多数 OpenAI 兼容客户端：

{ "base_url": "https://taotoken.net/api", "api_key": "sk-你的key", "model": "gpt-4o", "timeout": 60 }

如果你用的是 Claude Code 这类工具，配置方式略有不同，需要写进 settings 文件。Claude Code 的配置路径通常是~/.claude/settings.json，内容形如：

{ "env": { "ANTHROPIC_BASE_URL": "https://taotoken.net/api", "ANTHROPIC_API_KEY": "sk-你的key", "ANTHROPIC_MODEL": "claude-3-5-sonnet-20241022" } }

注意这里的 Base URL、Key、Model ID 三件套必须同时正确。少一个都会报鉴权失败或模型不存在。我踩过的坑是只改了 base_url 没改 model，结果请求打到了默认模型上，返回的格式和执行层预期的不一致，排查了半天。

对于 Cline 或 MCP 类的工具，配置通常在cline_mcp_settings.json或类似的 MCP 配置文件里。核心还是那三件套：Base URL 填https://taotoken.net/api，API Key 填你的 Key，Model ID 填你要用的模型。MCP 的配置结构因工具而异，但字段名基本是baseUrl、apiKey、model这几个。

统一 endpoint 的好处，在跑双链路对照时特别明显。你不需要为 browser-use 和 computer-use 分别维护两套鉴权，切换链路时只改执行层的动作空间，模型调用层完全不动。这样对照实验的变量就只剩「执行链路」一个，结果差异能干净地归因到链路本身。

3. 可复制的请求示例与字段说明

这一节给出两条链路的可复制请求。为了让对照公平，我用同一个表单任务：打开一个测试页面，读取姓名和邮箱字段，回填后提交。测试页面你可以用任何公开的表单页，或者本地起一个静态 HTML。

先看 browser-use 的请求结构。browser-use 的核心是把页面状态序列化成模型能理解的结构，然后让模型输出动作。一个典型的请求体长这样：

{ "model": "gpt-4o", "messages": [ { "role": "system", "content": "You are a browser automation agent. Output actions as JSON." }, { "role": "user", "content": "Goal: open the form page, fill name with 'Zhang San', fill email with 'test@example.com', then submit.\n\nCurrent page state:\n[1] <input> name='name' placeholder='Your Name'\n[2] <input> name='email' placeholder='Your Email'\n[3] <button> text='Submit'" } ], "response_format": {"type": "json_object"} }

模型返回的动作通常是这样的：

{ "action": "type", "element_id": 1, "text": "Zhang San" }

执行层拿到这个 JSON，通过 CDP 或 Playwright 找到 element_id 对应的真实 DOM 节点，执行输入。然后重新抓取页面状态，进入下一轮。整个循环里，模型看到的始终是带编号的元素列表，输出的是元素级动作。

再看 computer-use 的请求结构。computer-use 的核心是把屏幕截图作为输入，让模型输出坐标级动作。请求体形如：

{ "model": "gpt-4o", "messages": [ { "role": "system", "content": "You are a computer control agent. Output actions as JSON with coordinates." }, { "role": "user", "content": [ {"type": "text", "text": "Goal: fill the form. Current screenshot attached."}, {"type": "image_url", "image_url": {"url": "data:image/png;base64,..."}} ] } ], "response_format": {"type": "json_object"} }

模型返回的动作是这样的：

{ "action": "click", "x": 420, "y": 310 }

执行层拿到坐标，通过操作系统输入注入把点击打到屏幕对应位置。然后重新截图，进入下一轮。模型看到的始终是像素，输出的是坐标。

字段差异的对照可以整理成表：

关键字段说明：browser-use 的element_id是执行层和模型之间的契约，模型不需要知道 CSS 选择器，只需要引用编号。computer-use 的x、y是绝对坐标，依赖屏幕分辨率，换一台机器或改一次窗口大小，坐标就可能失效。这是 computer-use 调试更麻烦的根本原因。

把 endpoint 改到 TaoToken 统一调用时，上面两个请求的model字段和base_url都指向同一处。你只需要在执行层的初始化配置里把 base_url 设成https://taotoken.net/api，Key 设成你的 Key。请求体结构不用改，因为 TaoToken 兼容 OpenAI 的 chat completions 格式。

如果你用的是 Claude Code 做执行层的编排，配置写进~/.claude/settings.json，三件套 Base URL、Key、Model ID 都要填对。Cline 或 MCP 类工具同理，在对应的 settings 文件里配好这三项。配置对了，两条链路的模型调用就走同一个入口，切换链路时只改执行层。

4. 验证请求与成功结果对照

配置好之后，先做单链路验证，再做双链路对照。单链路验证的目的是确认模型调用和执行层都正常，避免把配置问题误判成链路问题。

先验证 browser-use。用上面的请求体发一次，观察返回。成功的标志是模型返回了合法的 JSON 动作，且element_id在页面状态列表的范围内。如果返回的动作引用了不存在的 element_id，说明页面状态序列化有问题，或者模型没理解格式。这时候先检查 system prompt 是否明确要求输出 JSON，再检查页面状态文本是否清晰。

browser-use 跑通后的完整流程是这样的：第一轮模型返回type(element_id=1, text="Zhang San")，执行层填入姓名；第二轮页面状态更新，模型返回type(element_id=2, text="test@example.com")，执行层填入邮箱；第三轮模型返回click(element_id=3)，执行层点击提交；第四轮页面跳转，模型确认任务完成。整个过程 4 步，每步的输入输出都能在日志里看到。

再验证 computer-use。发一次带截图的请求，观察返回。成功的标志是模型返回了合法的坐标动作，且坐标落在截图的有效区域内。如果坐标明显越界，说明截图尺寸和模型理解的尺寸不一致，需要检查截图是否被缩放。

computer-use 跑通后的流程是这样的：第一轮截图，模型返回click(x=420, y=310)，执行层点击姓名输入框；第二轮截图，模型返回type(text="Zhang San")，执行层输入；第三轮截图，模型返回click(x=420, y=370)，点击邮箱框；第四轮截图，模型返回type(text="test@example.com")；第五轮截图，模型返回click(x=420, y=430)，点击提交；第六轮截图，模型确认页面变化。整个过程 6 到 8 步，每步都要截图和坐标。

双链路对照的结果，我实测下来有几个稳定差异。第一，browser-use 的步数明显少，因为它一次能看到整个页面的结构，模型可以规划多步动作。computer-use 每步只能看到一个屏幕，信息量受限于视口。第二，browser-use 的失败可恢复性更好，元素找不到时可以重新解析页面，computer-use 坐标偏了只能重新截图重试。第三，computer-use 的通用性更强，同一个执行层可以操作浏览器、桌面应用、系统对话框，browser-use 出了浏览器就失效。

成功结果的判定标准也要区分。browser-use 的成功是「目标元素被正确操作且页面状态符合预期」，可以通过 DOM 断言验证。computer-use 的成功是「屏幕像素变化符合预期」，只能通过截图比对或后续截图确认。后者更难自动化验证，这是 computer-use 在生产环境落地的主要障碍之一。

如果你在验证时遇到返回为空或格式错误，先回到第 2 节的最小 curl 验证，确认模型调用层是通的。模型调用层通了，再查执行层的动作解析。这个排查顺序能帮你快速定位问题在哪一层。

5. 本篇常见错误排查

跑双链路时，报错集中在几个地方。我按真实遇到的频率排一下，每个都给出定位方法和修复动作。

第一个高频错误是 401 鉴权失败。返回体通常是{"error": {"message": "Invalid API key", "type": "invalid_request_error"}}。原因一般是 Key 没填对，或者环境变量没生效。检查步骤：先确认echo $TAOTOKEN_API_KEY能打印出 Key，再确认请求头里Authorization: Bearer后面的值和环境变量一致。如果用的是 Claude Code 或 Cline，检查 settings 文件里的ANTHROPIC_API_KEY或apiKey字段，注意不要有多余空格或换行。

第二个高频错误是 local proxy failed。这个报错通常出现在执行层配置了本地代理，但代理进程没起来或端口不对。如果你没有主动配置代理，检查执行层的默认配置里是否残留了http_proxy或https_proxy环境变量。清除这些变量，或者把 base_url 直接指向https://taotoken.net/api，绕过本地代理。注意，这里说的是清除本地代理配置，不是让你去配什么网络工具，直接把请求打到统一 endpoint 即可。

第三个错误是 reading choices 失败，返回体里choices字段为空或不存在。这通常意味着模型返回了非预期格式，或者请求体里的response_format和执行层预期不一致。检查请求体是否带了response_format: {"type": "json_object"}，以及 system prompt 是否明确要求输出 JSON。如果模型返回的是自然语言而不是 JSON，执行层解析就会失败。修复方法是强化 system prompt，或者在执行层加一层 JSON 提取逻辑。

第四个错误是 OAuth 相关报错，比如OAuth token expired或invalid_grant。这类错误一般出现在用 Claude Code 或类似工具时，鉴权方式配成了 OAuth 而不是 API Key。检查 settings 文件，确认用的是ANTHROPIC_API_KEY而不是 OAuth 相关的字段。如果你用的是 API Key 方式，就不应该出现 OAuth 报错；出现了说明配置里混入了 OAuth 流程，把它去掉。

第五个错误是 computer-use 的坐标偏移。表现是模型返回了坐标，执行层也点了，但点到了错误的位置。原因通常是截图分辨率和屏幕实际分辨率不一致，或者截图被缩放后模型看到的坐标和实际坐标有比例差。修复方法是确保截图尺寸和屏幕尺寸一致，或者在执行层做坐标缩放换算。这个错误 browser-use 不会有，因为 browser-use 不依赖坐标。

第六个错误是 browser-use 的元素找不到。表现是模型返回了element_id，但执行层在 DOM 里找不到对应节点。原因通常是页面在模型决策和执行之间发生了变化，比如异步加载导致元素重新渲染。修复方法是在执行层加等待和重试，或者在抓取页面状态时等待网络空闲。

排查顺序建议：先确认模型调用层通（curl 验证），再确认执行层配置对（base_url、Key、Model ID 三件套），最后查链路特有的问题（坐标偏移或元素失效）。这个顺序能覆盖 90% 的报错场景。

6. 统一调用入口与后续接入路径

两条链路跑通之后，你会发现真正的成本不在写请求，而在维护鉴权和切换模型。把 endpoint 统一到https://taotoken.net/api之后，browser-use 和 computer-use 共用同一套鉴权，切换链路时只改执行层的动作空间，模型调用层不动。这个结构在后续扩展时优势更明显：你要加第三条链路，比如桌面应用自动化，只需要在执行层实现新的动作解析，模型调用层复用现有配置。

如果你要继续深入，下一步可以做的几件事。第一，把 browser-use 的执行层封装成一个可复用的函数，输入是自然语言目标，输出是执行日志和最终状态。第二，给 computer-use 加一层坐标校准，在任务开始前先截一张基准图，后续坐标都相对基准图计算，减少分辨率差异带来的偏移。第三，把两条链路的日志统一格式，方便对照分析哪类任务适合哪条链路。

接入文档在https://taotoken.net/doc，里面有完整的请求格式和字段说明。API Key 管理在https://taotoken.net/api-keys，可以创建多个 Key 用于不同环境。如果你要验证模型对话效果，可以直接在https://taotoken.net/chat里试。长期做编码或 Agent 任务的话，Coding Plan 在https://taotoken.net/coding-plan，适合需要稳定调用和批量任务的场景。

回到最初的问题：computer-use 和 browser-use 的区别，本质是抽象层级的区别。browser-use 在 DOM 层操作，输入输出都是结构化的，调试直观但通用性受限。computer-use 在像素层操作，输入输出都是坐标，通用性强但调试成本高。两者不是替代关系，是不同场景下的工具选择。统一 endpoint 之后，你可以在同一个项目里按任务类型切换链路，模型调用层保持稳定。这是我在实际项目里验证过的结构，跑起来比维护两套独立配置省心得多。