想象你是一家物流公司的调度主管，手下有一位叫“小李”的快递员。你最忙的时候，只需要在任务卡上写清楚“从哪里取货、送到哪里、中间要不要绕去另一个仓”，剩下的开车、认路、按门铃、拿签收回执，小李全都自己搞定。更省心的是，就算小区门牌改了、道路施工了，他也会看看周围环境，绕个路照常送达，最后还拍一张签收照片给你看。 Amazon Nova Act 就像是这位“数字快递员”的培养手册和运行框架。它帮你在浏览器里造出一个能看懂网页、会点击输入、能跨网站完成整套任务的智能体（Agent）。你要做的，只是像写任务卡一样，告诉它网页上哪些按钮要按、哪些框要填，再把它们串成一条操作序列；至于网页结构怎么解析、页面改版后怎么重新找到目标，Agent 自己会想办法。本文就用“调度员与快递员”这条故事线，带你认识 Nova Act 的动作原语、元素定位、双通道感知、工作流编排、自适应容错和可靠性保障，让你从零看懂浏览器 Agent 是怎么工作的。

岗位关联

一句话价值：掌握 Nova Act 浏览器 Agent 的开发范式，你就能把重复的网页操作交给“数字快递员”自动送达，这是 AI 应用落地中“工具调用”能力的关键一环。

目录
  1. 可视化演示
  2. 框架总览：一张任务卡，一个数字快递员
  3. 动作原语：快递员的四样本领
  4. 元素定位：在海量门牌里找到 3 号楼
  5. 双通道感知：看门牌，也看长相
  6. 工作流编排：一张任务单，多站点接力
  7. 自适应容错：遇到施工，绕道走
  8. 可靠性保障：让完成率说话
  9. AI 应用场景
  10. Python 演示
  11. 常见误区
  12. 面试题

可视化演示

展示Amazon Nova Act浏览器Agent框架：动作原语（Nav/Click/Type/Scroll/Sub组合操作）、DOM+视觉双路径元素定位（融合定位策略）、多步工作流编排（跨网站自动化流程+错误重试），通过模式切换理解浏览器Agent的自动化机制。

本节配有交互动效（进入视口后自动加载，约 3KB）。

动作原语：可组合的浏览器操作 Navigate：页面导航，加载目标URL Click/Type：元素点击与文本输入 action = {type, target, params} Nova Act将网页操作抽象为可组合的动作原语序列

框架总览：一张任务卡，一个数字快递员

在没有 Nova Act 之前，做网页自动化就像给不认路的机器人写“死路线”：先左转 5 米，再右转 3 米，门牌号 301，敲三下门——每一步都写死，网页只要动一下，整条路线立刻作废。而 Nova Act 换了一种思路：调度员不再告诉小李“迈左腿还是迈右腿”，而是给他一张任务卡，写清楚“去哪一站、干什么事”，具体怎么认路、怎么敲门，交给小李自己的经验。

Nova Act 是亚马逊推出的浏览器 Agent 开发框架。它的核心抽象是两件事：一是动作原语（Action Primitives），相当于小李的基本动作——开车、按门铃、递单子；二是页面感知（Perception），相当于小李的眼睛和认门牌的能力。开发者要做的是定义“元素定位策略”（怎么找到目标按钮或输入框）和“操作序列”（先做什么、再做什么），剩下的执行细节交给 Agent 在运行时自适应。

一次完整的 Nova Act 任务，本质上就是一条有序的动作序列。Agent 逐条执行，每一步都先“看一眼”当前页面（DOM 解析加视觉识别），再决定用哪个动作落下去。因为每个动作都带着感知能力，所以即使页面结构变化，只要目标语义还在，Agent 就能继续走完流程——这就是它和传统“死路线”脚本的本质区别。

回到物流公司的比喻：Nova Act 的框架价值，就是让调度员从“教机器人怎么迈腿”的琐碎里解放出来，专心写任务卡；而“怎么迈腿”这件小事，数字快递员小李自己想办法。接下来，我们就来看看小李的“四样本领”——动作原语。

Workflow=(a1, a2, …, an)\text{Workflow} = (a_1,\ a_2,\ \dots,\ a_n)
通俗说明：这行公式就是“任务卡”的形式化写法——一列按顺序排好的动作，快递员照单执行。
  1. Workflow（工作流）整个自动化任务，相当于任务卡上列出的“站点清单加每站要办的事”。
    Workflow\text{Workflow}
  2. 圆括号序列表示动作按从左到右的顺序依次执行，不能乱序——就像必须先取货、后送达。
    (a1, a2, …, an)(a_1,\ a_2,\ \dots,\ a_n)
  3. aᵢ（第 i 个动作原语）序列中的单个基本动作，例如导航、点击、输入，每个都不可再拆。
    aia_i
  4. 省略号 \dots中间省略的部分表示动作数量不固定，n 由任务复杂度决定——任务卡可长可短。
    …\dots

动作原语：快递员的四样本领

一个快递员再能干，拆到底也就是四个动作：开车（导航）、按门铃（点击）、递单子（输入）、看回执（读取）。任务卡写得再花哨，落到小李身上，也都是这四样动作的组合。Nova Act 的设计哲学正是如此——把网页上无穷无尽的操作，抽象成一小组“可组合的动作原语”。

动作原语的特点是“原子性”：一个原语只做一件事，要么导航到某个 URL，要么在指定元素上点击，要么向输入框填入文本，要么从页面读取一段内容。把若干原语按顺序连起来，就得到一条操作序列；多条序列再拼装，就是跨网站的工作流。原语之间互相独立，就像乐高积木，单块简单，搭起来千变万化。

原子性带来两个好处。一是可复用：同样的“点击加入购物车”原语，换个商品页面照样能跑。二是可验证：每一步是成功还是失败，边界清晰，方便在中间插入检查。但也要注意，动作原语是“串联”的——前面的动作失败了，后面的动作通常没有意义。

这也解释了为什么 Nova Act 这么看重“感知”和“定位”：因为 pᵢ 上去了，整单成功率才会上去。小李的四样本领看起来朴素，但每一招的根基，都是“先找到目标再出手”——这引出下一节：元素定位。

Pok=∏i=1npi=p1×p2×⋯×pnP_{\text{ok}} = \prod_{i=1}^{n} p_i = p_1 \times p_2 \times \cdots \times p_n
通俗说明：整单成功的概率，等于每一段路都不出错的概率相乘。只要有一环掉链子，整单就悬了。
  1. P_ok（整单成功概率）从第 1 步到最后一步全部顺利完成的概率，是“每一步都成功”这一事件的发生概率。
    PokP_{\text{ok}}
  2. ∏ 连乘符号把 1 到 n 的所有环节概率都乘起来，强调“一个都不能少”的串联关系。
    ∏i=1n\prod_{i=1}^{n}
  3. pᵢ（第 i 步成功率）单个动作原语成功执行的概率，它受元素能否被正确定位、页面是否稳定影响。
    pip_i
  4. 展开式用乘号把每一步写出来，直观感受“短板效应”——任何一个 pᵢ 偏小，整体都会被拖垮。
    p1×p2×⋯×pnp_1 \times p_2 \times \cdots \times p_n

元素定位：在海量门牌里找到 3 号楼

快递员到了一个新小区，最怕什么？门牌密密麻麻，楼栋长得都差不多。网页也是一样：一个页面动辄上千个 DOM 节点——按钮、链接、输入框、图片堆在一起，像一大片同款门牌。如果小李按“门牌号”（固定的元素 ID）找，门牌一换就抓瞎；所以 Nova Act 的元素定位，是一门“在模糊中找确定”的功夫。

开发者可以为目标元素定义定位策略：用 CSS 选择器、元素角色、可见文本等“语义门牌”去描述目标。但现实中，一个描述往往同时匹配多个候选（比如页面上有五个按钮都叫“提交”），或者页面改版后门牌对不上了。于是 Nova Act 在匹配之外，还会引入“位置先验”：元素大概在页面的哪个区域、离哪个兄弟元素近，用这些空间线索来辅助决策。

运行时，Agent 先解析当前 DOM，把所有满足候选条件的元素放进集合，再对每个候选打一个综合得分：语义匹配得分加位置先验得分，按权重 λ 加权。得分最高的那个，就是本次操作的目标。这套“打分制”让定位不再是脆弱的相等判断，而变成可排序、可取舍的决策。

门牌清楚就多信门牌，门牌模糊就靠楼栋长相——这就是 λ 的意义。但“看长相”这件事，其实另有玄机：网页里的元素不一定都写在 DOM 里，有些是动态渲染出来的。为了看清它们，Agent 需要第二双眼睛。这就引出双通道感知。

score(e)=λ×sel(e)+(1−λ)×pos(e)\text{score}(e) = \lambda \times \text{sel}(e) + (1 - \lambda) \times \text{pos}(e)
通俗说明：“门牌号对得上”和“位置大致对”各算一部分分（比例可调），总分最高者当选——这就是小李认楼的综合判断。
  1. score(e)（候选元素 e 的得分）综合两项线索后得到的总分，Agent 挑分数最高者执行动作。
    score(e)\text{score}(e)
  2. sel(e)（语义匹配得分）基于选择器、角色、文本等结构化信息算出的匹配分，相当于“门牌号对上了”。
    sel(e)\text{sel}(e)
  3. pos(e)（位置先验得分）基于元素在页面中的坐标、相邻关系给出的先验分，相当于“这栋楼的位置看着像”。
    pos(e)\text{pos}(e)
  4. λ 权重0 到 1 之间的系数，决定“看门牌”和“看方位”谁更有话语权；两个权重相加为 1，表示两种线索按比例调和。
    λ,1−λ\lambda,\quad 1-\lambda

双通道感知：看门牌，也看长相

小李送夜班件时发现，有些小区的门牌号在路灯下根本看不清，但他能凭“楼栋轮廓加门口保安亭的位置”判断出哪栋是哪栋。网页世界也有类似的场景：很多内容不在 DOM 结构里，而是通过 JavaScript 动态画出来的（比如画布渲染的数据图表、某些弹层组件），光靠“门牌”根本读不到。

因此 Nova Act 采用“双通道感知”：第一通道是 DOM 语义通道，直接解析页面结构，准确但“所见即文档”——动态内容是盲区；第二通道是视觉识别通道，对页面截图做图像理解，能认出人类肉眼可见的元素，但对结构细节不敏感。两个通道各有一个“嗓门”：对每个候选元素给出置信度，分别记为 P_DOM(e) 和 P_vis(e)。

Agent 用融合权重 α 把两个通道的置信度加权求和，再对所有候选做 argmax，选出综合得分最高的元素作为操作目标。视觉通道的价值在于兜底：当 DOM 通道找不到候选、或选择器匹配有歧义时，视觉通道仍能“看个大概”，把 Agent 从失败边缘拉回来。

有了两双眼睛，小李在小区的任何时段都能找到门。但一个任务往往不止一个小区——跨多个网站跑完整条流程，就需要把动作一段段编排起来。这对应工作流编排。

e^=arg⁡max⁡e∈E[α×PDOM(e)+(1−α)×Pvis(e)]\hat{e} = \arg\max_{e \in E} \left[ \alpha \times P_{\text{DOM}}(e) + (1 - \alpha) \times P_{\text{vis}}(e) \right]
通俗说明：门牌哨和长相哨各报一个名字，脑袋里按音量加权汇总，谁的呼声最高就认定是谁——两双眼睛比一双稳。
  1. ê（最终认定元素）带小帽子的 e 表示“最终选中的那一个”，是本次定位的结论。
    e^\hat{e}
  2. argmax（取最大者）在候选集合 E 中“谁得分最高就选谁”，是一个挑选算子而不是一个具体的值。
    arg⁡max⁡e∈E\arg\max_{e \in E}
  3. P_DOM(e)（DOM 通道置信度）结构解析给出的把握有多高——门牌清晰时这一路声音最可靠。
    PDOM(e)P_{\text{DOM}}(e)
  4. P_vis(e)（视觉通道置信度）截图识别给出的把握——门牌被遮挡时靠“长相”补位。
    Pvis(e)P_{\text{vis}}(e)
  5. α 与 1−α（融合权重）两个通道的音量旋钮，α 大则更信结构，α 小则更信视觉，可针对网站类型调参。
    α,(1−α)\alpha,\quad (1-\alpha)

工作流编排：一张任务单，多站点接力

大促期间，一张任务单可能要跑三个地方：先去仓库 A 取货，再到中转站 B 换车，最后送到客户 C 手里。每到一站，小李都要交接单据、保留上下文（比如包裹编号），不能把上一站的信息丢掉。跨网站自动化工作流，本质上就是这种“多站接力”。

Nova Act 允许把一条条操作序列编排成更大的工作流。编排有两种基本手法：一是串行拼接，把站点 A 的子工作流和站点 B 的子工作流按顺序连起来；二是条件分支，根据页面出现的状态决定走哪条路（比如“若登录成功则下单，否则走找回密码分支”）。跨站的关键是上下文传递：登录态、上一站读取到的数据，要能带进下一站。

从实现上看，工作流是递归的：子工作流本身也是动作序列，只是被封装成了更高层的单元。这样开发者既能在单站内精细控制每个点击，也能在宏观层面描述“站点 A 到站点 B 到站点 C”的整体路线，代码的组织成本大大降低。

站点再多，拆开看还是一个接一个的动作；可只要中间有一站页面“耍脾气”，接力就会断。这时候，快递员的自适应容错能力就派上用场了。下一节我们看小李怎么“绕路”。

Wtotal=WA⊕WB⊕WCW_{\text{total}} = W_A \oplus W_B \oplus W_C
通俗说明：一张总任务单等于三个子任务按顺序拼接，上一站的“交接棒”必须稳稳递到下一站。
  1. W（子工作流）一个小单元，例如“在站点 A 上完成登录并加购”——它内部仍是一串动作原语。
    WAW_A
  2. ⊕（串联拼接符）表示先完成 A、再 B、再 C，顺序严格不可打乱，如同必须先取货再送货。
    ⊕\oplus
  3. W_total（总工作流）整张任务单，把多个站点串成一条从起点到终点的完整路线。
    WtotalW_{\text{total}}

自适应容错：遇到施工，绕道走

再熟的路也会遇到突发情况：小区门口施工、门牌被树叶挡住、电梯检修只能走楼梯。聪明的快递员不会站在原地干等，而会先等一等（说不定是临时拥堵）、再换个门试试（重试）、实在不行打电话上报（异常恢复）。网页世界的动态变化，远比小区施工更频繁：AJAX 异步加载（网页局部刷新的请求）、弹窗、A/B 测试、图片懒加载，都可能导致元素“等一下才出现”或者“悄悄换了位置”。

Nova Act 的自适应容错，围绕三个机制展开。第一是动态等待：当目标元素尚未出现时，Agent 不会立刻判失败，而是等待其出现（或超时）。第二是智能重试：失败后不盲目重来，而是按“指数退避”延长等待时间，并切换定位策略——比如 DOM 通道找不到，就改用视觉通道重新找。第三是异常恢复：连续失败达到阈值后，Agent 记录现场（截图、页面状态）并以可读错误退出，方便开发者接手。

“指数退避”是这个机制里很经典的一招：每次重试前等待的时间按 2 的幂次增长。为什么要翻倍而不是固定时长？因为页面加载是“越等越可能完成”的过程，一开始多试几次，之后把时间留给页面喘息，既不过度打扰目标站点，又能明显提高重试成功率。

等待加绕路，让小李在“不太平”的网页街区里照样能把件送到。可话又说回来，送是送完了，“送到没送到位”还得有个说法——这就引出了最后一节：可靠性保障。

twait(k)=t0×2k,k=0,1,2,…t_{\text{wait}}(k) = t_0 \times 2^{k}, \quad k = 0,1,2,\dots
通俗说明：第一次等 0.5 秒，失败后等 1 秒、2 秒、4 秒……每失败一次就多给页面一点缓冲时间。
  1. t_wait(k)（第 k 次重试的等待时长）第 k 次失败后、下一次尝试前需要等待的时间。
    twait(k)t_{\text{wait}}(k)
  2. t₀（初始等待时长）第一次重试前的基础等待时间，如 0.5 秒，是整个序列的“起点”。
    t0t_0
  3. 2ᵏ（指数翻倍）每多失败一次，等待时间乘 2——给页面更长的加载窗口，也避免频繁打扰。
    2k2^{k}

可靠性保障：让完成率说话

快递公司考核小李，不是看他一天跑了多少公里，而是看“妥投率”——签收成功、客户确认的比例。任务完成了但签收失败，等于白跑。浏览器 Agent 也一样：动作执行完不等于任务成功，关键在于结果是否真的符合预期。Nova Act 强调的可靠性，就是把“做了”和“做成了”严格区分开。

提升可靠性的第一招是结果验证：在关键步骤后面加一道“回执检查”，例如点击提交后，确认页面上出现了“下单成功”的提示，或者接口返回值符合预期。第二招是分段确认：把长工作流拆成若干段，每段结束校验一次，哪里出错就快速定位到哪里。第三招是量化度量：用任务完成率这个指标把 Agent 的表现变成数字，每次优化（换定位策略、调融合权重）都能用数据判断是否真的变好了。

落地实践上，业界常见的做法是“渐进式上线”：先用一个最小工作流（比如单站查询）跑通，再逐步扩展动作原语、加入跨站编排，最后灰度到全量任务。每扩张一步，都盯着完成率曲线，跌了就回滚定位问题。这套方法论让 Agent 系统在真实的、变化不断的网站上，也能保持稳定的交付质量。

调度员不再凭感觉评估小李，小李自己也有了清晰的目标：把 R 一路往上抬。回头看整条故事线——任务卡（工作流）、四样本领（动作原语）、认门牌（元素定位）、两双眼睛（双通道感知）、多站接力（工作流编排）、绕路与等待（自适应容错）、妥投率（可靠性保障）——这就是 Amazon Nova Act 浏览器 Agent 从设计到落地的完整画卷。对入门者来说，先理解这幅画，再动手写第一张“任务卡”，你就在 AI 工具调用的路上迈出了扎实的一步。

R=NsuccessNtotal×100%R = \frac{N_{\text{success}}}{N_{\text{total}}} \times 100\%
通俗说明：完成率 = 成功签收的件数 ÷ 总任务数 × 100%，这是衡量数字快递员靠谱程度的 KPI。
  1. R（任务完成率）衡量 Agent 整体可靠性的核心指标，越高说明越值得信赖。
    RR
  2. N_success（成功任务数）不仅把动作做完、而且通过结果验证的任务才算成功——回执合格才算签收。
    NsuccessN_{\text{success}}
  3. N_total（任务总数）提交给 Agent 的全部任务，包括失败、重试后成功的那些。
    NtotalN_{\text{total}}
  4. ×100%把比率换算成百分数，便于在不同版本、不同网站间横向对比改进幅度。
    ×100%\times 100\%

AI 应用场景

电商多平台商品上架与库存同步

阶段：工具调用 / Agent 应用开发

解决的问题：电商运营每天要在多个平台上重复“登录后台、找到商品、修改库存或价格、发布”的操作，手动切换容易漏改、错改，大促期间更是手忙脚乱。用 Nova Act 把每个平台的后台操作写成子工作流，再用“双通道感知”定位商品卡片，Agent 就能像快递员跑多站点一样，在几个平台间接力完成同步。

具体案例：某品牌运营团队为三个电商后台各写了一条操作序列：先在站点 A 的工作流中读取商品库存，存入上下文；再到站点 B、C 定位对应商品卡片并填上新库存，每步都校验“保存成功”提示。整套流程每天自动执行一次，节省约 2 小时人工，漏改率降为零。

跨系统财务数据录入

阶段：Agent 工作流编排

解决的问题：财务人员要把邮件附件里的订单数据，逐个字段填进 ERP、发票系统等多个内部系统，复制粘贴重复率高、极易出错。Nova Act 的“读取原语 + 输入原语”可以把这一长串机械操作编排成一条工作流，DOM 通道定位表单字段、视觉通道兜底识别动态渲染的控件。

具体案例：财务团队把“解析邮件附件表格、打开 ERP 录入页、逐字段填入、提交并核对回执”写成一个跨系统工作流。每个字段填入后都会检查页面提示，任一步骤失败立即停止并报警，交由人工接管。

前端 UI 改版回归验证

阶段：Agent 执行与验证

解决的问题：页面改版后，手工回归测试要重新点遍所有关键路径，成本高且容易遗漏。把关键操作路径写成 Nova Act 动作序列，改版后自动重跑，视觉识别通道能自动适应按钮的新位置，DOM 通道校验新结构下的元素可达性，正好发挥“双通道感知”的优势。

具体案例：某中台前端团队在每次版本发布后自动执行“登录、新建任务、提交审批”的回归序列。若某个元素定位连续失败，Agent 会截图上报，测试人员据此快速定位改版影响面。

Python 演示

python72 行
# -*- coding: utf-8 -*-"""迷你版 Amazon Nova Act：用双通道定位与动作原语跑通跨站工作流"""  class FakeElement:    """模拟网页上一个可操作元素"""     def __init__(self, eid, role, text, x, y):        self.eid = eid        self.role = role        self.text = text        self.x = x        self.y = y  def locate(elements, alpha=0.6, role=None, text=None):    """双通道元素定位：DOM 语义得分 + 视觉位置得分，返回综合得分最高者"""    best, best_score = None, -1.0    for e in elements:        dom_score = 0.0        if role is None or e.role == role:            dom_score += 0.5        if text is None or text in e.text:            dom_score += 0.5        vis_score = 1.0 / (1.0 + e.x + e.y)  # 越靠页面左上，视觉先验越高        score = alpha * dom_score + (1.0 - alpha) * vis_score        if score > best_score:            best, best_score = e, score    return best  def run_workflow(steps, elements):    """按顺序执行动作原语，任何一步找不到目标都返回失败"""    for act, payload in steps:        if act == "goto":            print("[导航] 前往", payload)            continue        target = locate(elements, **payload)        if target is None:            print("[失败] 未找到目标元素:", payload)            return False        if act == "click":            print("[点击]", target.eid, target.role, target.text)        elif act == "type":            print("[输入]", payload.get("text"), "到", target.eid)    return True  def main():    site_a = [        FakeElement("a1", "link", "加入购物车", 0, 0),        FakeElement("a2", "button", "立即购买", 100, 50),    ]    site_b = [        FakeElement("b1", "textbox", "收货地址", 0, 0),        FakeElement("b2", "button", "提交订单", 80, 90),    ]    workflow = [        ("goto", "https://shop.example.com"),        ("click", {"role": "button"}),        ("goto", "https://checkout.example.com"),        ("type", {"role": "textbox", "text": "北京市朝阳区"}),        ("click", {"role": "button"}),    ]    ok_a = run_workflow(workflow[:2], site_a)    ok_b = run_workflow(workflow[2:], site_b)    total, success = 2, int(ok_a) + int(ok_b)    print("任务完成率: %.0f%%" % (success / total * 100))  if __name__ == "__main__":    main()
目的：用约 50 行代码演示 Nova Act 的核心思想——动作原语、双通道元素定位与串联工作流执行，跑完两个“站点”后统计任务完成率。
  1. def locate(elements, alpha=0.6, role=None, text=None):定义双通道定位函数：把 DOM 语义（角色、文本）和视觉位置作为两条线索，按权重 alpha 融合打分，对应正文中的 score(e) 公式。
  2. dom_score += 0.5语义通道计分：角色对上、文本对上各加 0.5 分，相当于“门牌号对上了”。
  3. vis_score = 1.0 / (1.0 + e.x + e.y)视觉通道计分：越靠页面左上角的元素先验分越高，模拟视觉注意力对常见布局的偏好。
  4. score = alpha * dom_score + (1.0 - alpha) * vis_score加权融合两路得分，与正文公式 λ·sel(e) + (1−λ)·pos(e) 完全对应。
  5. for act, payload in steps:逐个取出任务卡上的动作原语，按顺序执行，体现“串联链路”。
  6. target = locate(elements, **payload)执行动作前先定位目标元素，找不到就直接判失败，把“先找目标再出手”落成代码。
  7. total, success = 2, int(ok_a) + int(ok_b)按完成率公式 R = 成功数 ÷ 总数 × 100% 汇总两个站点的结果。

常见误区

误区Nova Act 是 AI 框架嘛，那我直接说“帮我把淘宝比价并下单”，它自己就全会了，代码一个字不用写。

正解Nova Act 解决的是“执行层的自动化”，不是“意图层的理解”。它擅长在页面变化时自适应地定位元素、重试动作，但“要做什么、先点哪个按钮、按什么顺序”仍然需要开发者用动作原语和定位策略写清楚。类比：任务卡上不写“送什么、送到哪”，快递员再聪明也不知道该干什么。把它当成“会自己认路的执行者”，而不是“替你拿主意的老板”。

为何常见：大模型 Agent 的宣传让人觉得“说人话就能操控一切”，容易忽略框架边界；实际上 Nova Act 是给开发者用的框架，不是给终端用户用的对话助手。

误区元素定位就是写死一个 CSS 选择器，页面平时也不怎么变，写一次用一年。

正解真实页面是“活的”：按钮文案会被 A/B 测试改掉、DOM 结构会随版本迭代调整、元素可能延迟渲染。固定选择器一旦失效，整个工作流就断掉。Nova Act 的定位打分（语义匹配加位置先验）和双通道感知，正是为了在这一类变化下仍然找到目标。类比：只看门牌号的小李，遇到门牌被树叶挡住就迷路；会看楼栋位置的他才能继续送件。

为何常见：传统 UI 自动化（固定 selector）的思维惯性很强，容易忽略“定位是运行时决策”这件事。

误区Agent 有视觉识别和重试，页面怎么改都不怕，我不用再维护任务卡了。

正解自适应容错只覆盖“有限的变化”：元素晚出现（动态等待）、偶尔定位失败（重试）、单元素偏移（视觉补位）。但如果整个页面交互流程重构、目标功能入口被移除，Agent 也无法凭空完成任务，仍然需要开发者更新定位策略与操作序列。类比：小李能绕开施工路段，但整条路都被拆了、目的地搬走了，他也得等调度员重新派单。

为何常见：“自适应”这个词让人误以为模型有通用推理能力，其实它是在既定工作流框架内的容错机制。

误区Agent 点了提交按钮，任务就算完成了，不用再确认结果对不对。

正解点击成功只代表“动作完成”，不代表“业务成功”——可能弹出报错、可能表单校验失败。可靠性保障要求在关键步骤后做结果验证（页面提示、状态变化、返回值），并统计任务完成率 R 来驱动迭代。类比：快递员把包裹放门口就走，不叫签收成功；要拿到客户回执，才算妥投。

为何常见：把“执行动作”和“达成目标”混为一谈，是 Agent 落地中最常见的认知偏差。

面试题

Q1. Amazon Nova Act 的核心定位是什么？

单选题 · easy

  • A.浏览器的渲染加速引擎
  • B.浏览器的智能体开发框架← 正确答案
  • C.网页的可视化设计工具
  • D.数据库查询优化器

答案：B。选 B。Nova Act 是让开发者用动作原语和定位策略构建浏览器 Agent 的框架，对应“快递员培养手册”。A 是渲染加速，C 是设计工具，D 是数据库方向，都与“网页操作自动化”无关。类比：它不是给浏览器“加油提速”，而是训练“数字快递员”怎么干活。

Q2. 下列哪一项属于 Nova Act 的动作原语？

单选题 · easy

  • A.页面渲染加速引擎
  • B.智能推荐排序算法
  • C.点击页面上的按钮← 正确答案
  • D.用户身份验证功能

答案：C。选 C。动作原语是“导航、点击、输入、读取”这类不可再拆的基本操作，点击页面按钮正是其中之一。A 是浏览器渲染能力，B 是算法能力，D 是系统安全层，都不是面向页面元素的操作。类比：按门铃是快递员的基本功，造门铃不是。

Q3. 一张“任务卡”在 Nova Act 中的正式名称是什么？

单选题 · easy

  • A.操作序列即工作流← 正确答案
  • B.页面渲染结果树
  • C.浏览器的缓存区域
  • D.网络请求头信息

答案：A。选 A。任务卡就是按顺序排列的动作原语序列，也就是 Workflow。B 描述 DOM 结构，C 是存储机制，D 是协议细节，都与“任务怎么编排”无关。类比：任务卡写的是“站点清单和每站要办的事”，而不是地图本身。

Q4. 双通道感知中的两个通道分别是什么？

单选题 · mid

  • A.结构解析与视觉识别← 正确答案
  • B.键盘事件与鼠标事件
  • C.内存缓存与磁盘缓存
  • D.日志采集与监控告警

答案：A。选 A。DOM 语义通道读结构、视觉识别通道看截图，两者互补才能兜住动态渲染等盲区。B 是输入设备事件，C 是存储层，D 是运维观测，都不是“感知页面元素”的通道。类比：白天看门牌、晚上看楼栋轮廓，两双眼睛各管一摊。

Q5. 元素定位中引入“位置先验”主要解决什么问题？

单选题 · mid

  • A.页面加载速度慢
  • B.选择器匹配有歧义← 正确答案
  • C.浏览器内存占用高
  • D.网络带宽不稳定

答案：B。选 B。当多个候选元素都满足语义条件时，位置先验帮忙“二选一”；当语义匹配不到时，位置也能兜底定位。A、C、D 是性能与网络问题，跟“哪个元素才是目标”的决策无关。类比：门牌号撞了，就看哪栋楼的位置和路线描述更吻合。

Q6. 指数退避重试策略的核心思想是什么？

单选题 · mid

  • A.每次等待时间固定不变
  • B.每次等待时间随机乱跳
  • C.每多失败一次等待翻倍← 正确答案
  • D.失败一次就立刻放弃

答案：C。选 C。t_wait = t0 × 2^k，失败次数越多、等待越久，既给页面留加载时间，又避免高频打扰。A 是固定等待，B 是无规律等待，D 是不重试，都与“指数退避”定义不符。类比：叫门没应，第一次等 1 秒、第二次等 2 秒、第三次等 4 秒——给屋里人反应时间。

Q7. 串联工作流整体成功概率的计算方式是什么？

单选题 · hard

  • A.各步骤取成功概率最大值
  • B.各步骤成功概率求平均
  • C.各步骤成功概率做连乘← 正确答案
  • D.只看最后一步的概率

答案：C。选 C。串联链路“一个都不能少”，所以 P = p1 × p2 × … × pn。取最大、求平均、只看末步都会高估整体可靠性。类比：快递有三段路，任何一段出事都到不了，整单成功率只能连乘。

Q8. Nova Act 的 Agent 在运行时可用哪些方式应对页面变化？（选两项）

多选题 · mid

  • A.动态等待元素出现← 正确答案
  • B.修改浏览器内核代码
  • C.智能重试并切换定位策略← 正确答案
  • D.自动重写页面全部源码

答案：AC。选 A、C。动态等待应对“元素晚出现”，智能重试加切换定位策略应对“定位失败”。B 改内核、D 重写源码都超出 Agent 的职责边界，既不现实也无必要。类比：小李会等一等、换个门叫，但不会去改造小区大门。

Q9. 提升浏览器 Agent 任务完成率的常用手段有哪些？（选三项）

多选题 · hard

  • A.关键步骤后增加结果校验← 正确答案
  • B.双通道元素定位相互印证← 正确答案
  • C.视觉通道兜底动态内容← 正确答案
  • D.完全依赖固定选择器定位

答案：ABC。选 A、B、C。结果校验保证“做成了”，双通道互证降低定位失败率，视觉通道处理动态渲染盲区。D 恰好是误区中的反面做法——固定选择器在页面改版时一击即碎。类比：回执确认加两双眼睛加路线备份，妥投率才上得去。

Q10. 跨站工作流编排需要重点处理哪些问题？（选三项）

多选题 · hard

  • A.登录态与上下文传递← 正确答案
  • B.各站点定位策略差异← 正确答案
  • C.条件分支流程判断← 正确答案
  • D.忽略站点间数据依赖

答案：ABC。选 A、B、C。登录态要带着走、定位策略要因地制宜、页面状态要能分流。D 说“忽略数据依赖”正是要避开的坑——上一站读到的数据是下一站的输入。类比：多站接力必须递稳交接棒，路线也要分段设计。