CAIE注册人工智能工程师

公众号作者

CAIE，全称 Certifed Artifcial Intelligence Engineer（人工智能工程师），简称 CAIE（赛一） ，是人工智能领域的技能等级认证。旨在评估和培养具备人工智能理论基础与实战能力的职业人士。

AI助手越来越聪明，能回答问题、写文章、甚至帮你做PPT，但有一个特别尴尬的地方一直没解决：它们其实根本不会“上网”。

你可能会说，不对啊，我问它“今年诺贝尔奖得主是谁”，它不是秒回了吗？那是因为它背后偷偷用了搜索引擎的摘要结果，相当于别人嚼碎了喂给它吃。

真正的网页长什么样？那些藏在按钮后面的内容、需要填表单才能看到的数据、或者点一下才弹出来的菜单。这些动态信息，大多数AI根本碰不到。

打个比方，现在的AI上网，就像一个人被蒙着眼睛站在图书馆门口，只能靠别人在外面喊：“第三排左边第二本书，封面是蓝色的，里面有你要的答案。”

但它自己不能进去翻书，更别说拉开抽屉、按电梯、或者打开带密码的保险柜了。

这个问题卡了好久。最近阿里的通义实验室开源了NestBrowse 的新框架，直接让AI学会了自己动手点网页找答案。只用一个参数量不大的小模型，干翻了不少大厂的巨无霸系统。

要让AI会用浏览器，就得给它一堆操作指令：滚动、点击、输入、拖拽……恨不得把鼠标键盘都虚拟出来。但这样有个致命问题信息爆炸。

你想啊，随便打开一个电商网站，光商品描述、用户评论、推荐列表加起来，文本长度轻松突破几万字。而目前主流大模型的上下文窗口也就十几万token，极少数支持百万级。

要是把整个网页原封不动塞给AI，它还没找到答案，脑子（上下文）就已经满了，后面的操作全乱套。

NestBrowse没走这条路。它的核心想法特别朴素：别让AI看整个网页，只让它看跟当前任务有关的那一小块。

阿里搞了个“双层大脑”设计。外层大脑负责想大事：用户问的是啥？接下来该搜什么关键词？要不要点那个“查看更多”按钮？它像个项目经理，只管战略方向。

一旦决定要点开某个链接或按钮，内层大脑就立刻上线。它的任务超专注：在这个新页面里，根据外层给的目标，快速扫一遍，只留下有用的信息，其他全扔掉。

比如目标是“找会议论文列表”，那它就只抓取包含、paper、proceedings、accepted的段落，广告、导航栏、页脚统统忽略。

最后，内层把提炼好的几句话交还给外层。外层拿到的永远是干净、简洁、直奔主题的“情报摘要”，而不是一坨乱七八糟的网页源码。

这种巧妙设计，就像你去超市买东西，外层是你列的购物清单，内层是你的眼睛和手。你不会把整个超市搬回家，只会精准拿走清单上的东西。效率高，还不累。

另一个让人拍大腿的设计，是他们的工具包只有四个动作：搜索、访问、点击、填表。

对，就这么简单。没有滚动，没有悬停，没有右键菜单。团队特意砍掉了所有看起来有用但其实干扰判断的操作。

为什么敢这么精简？因为他们发现，99%的网页交互，其实都能拆解成“点一下”和“输点字”这两个基本动作。

你想查航班？点日期选择器，输出发地目的地。你想用在线计算器？输公式，点计算。连那些复杂的多步骤表单，本质上也是反复“填+点”的组合。

工具越少，AI做决策时就越不容易懵。它不用在几十个操作里纠结“到底该滚屏还是该点按钮”，而是直接聚焦在“我下一步要获取什么信息”上。这种克制，反而带来了更强的泛化能力。