Google Project Mariner：Gemini 驱动的浏览器 Agent

为什么需要 Project Mariner：传统网页自动化的瓶颈

传统网页自动化长期依赖两条路线：一是 RPA 工具（如 Selenium、Playwright）按固定选择器录制脚本，每个网站都要单独编写和维护，遇到改版、动态渲染、验证码就频繁失效；二是基于文本的 LLM Agent，把网页 HTML 或无障碍树抽取成文本喂给模型，但面对 canvas 图表、地图拖拽、图片轮播等纯视觉交互时完全失效。这两条路线都绕不开一个根本问题：网页是给人眼设计的，而自动化工具却一直在用非视觉的方式“读”它。

Project Mariner 的解法是让 Gemini 2.0 的多模态能力直接作用于浏览器屏幕。模型把渲染后的网页截图作为主要输入，配合可访问性树等结构信息，理解页面上有什么、按钮在哪里、下一步该做什么，然后在对应的屏幕坐标上执行操作。这种“所见即所得”的路线天然适配现代网页：不需要网站提供 API，不需要为每个站点写适配脚本，页面怎么改版，模型就看什么。

与同年发布的其他浏览器 Agent（OpenAI Operator、Anthropic Computer Use）相比，Mariner 的气质差异在于它一开始就是 Gemini 产品线内的原生功能：与 Gemini 的对话上下文打通，用户可以直接在对话中下达任务、中途切换手动模式，且云端虚拟浏览器与本地环境隔离，发布时即带逐步确认的安全机制。

安装与环境配置：申请与启用 3 步就绪

Project Mariner 经历了两个安装阶段，截至 2025 年第二季度，官方入口已统一为 Gemini App 的浏览器扩展。

原研究预览路径（2024-12 至 2025-03）：

1. 访问 Google DeepMind 官方博客的 Project Mariner 页面，填写 Trusted Tester 申请表单，等待 Google 审核发放白名单资格。

2. 通过白名单后，在 Chrome 网上应用店安装 Project Mariner 扩展，扩展会自动出现在浏览器工具栏。

3. 首次使用时，扩展会请求 Gemini 账户授权，确认允许其在虚拟浏览器中代表你执行任务。

当前统一路径（2025-03 起）：

1. 确保已登录 Gemini App（gemini.google 或 Chrome 扩展中），账户为 Gemini 免费版或付费订阅。

2. 在 Gemini 扩展弹窗中开启浏览器集成权限，允许 Gemini 使用浏览器扩展与当前标签页交互。

3. 在 Gemini 中下发任务指令（如“帮我在这三个购物网站比价”），浏览器扩展会在新窗口或虚拟浏览器中执行。

验证是否就绪：在 Gemini 中发起一条带浏览器操作的任务，若模型返回操作确认并显示虚拟浏览器画面，则配置成功。若提示“浏览器集成功能不可用”，说明该账户区域暂未开放，需等待 Google 逐步灰度。

快速上手：5 分钟跑通第一个浏览器任务

最快体验 Mariner 的方式是直接在 Gemini App 的浏览器扩展中下达一个完整任务，让它跑通“进入网站 — 搜索 — 读取 — 汇总”的全流程。

1. 在 Gemini 对话框的输入框上方（或扩展设置页），确认浏览器集成开关处于开启状态。

2. 下达明确指令，例如：“打开 example.com，搜索'无线机械键盘'，把搜索结果前 5 个的标题和价格列成表格。”

3. 点击发送后，Gemini 会创建虚拟浏览器会话，并逐步展示它将执行的动作（导航、点击、滚动、输入），每一步可在界面中看到操作描述。

4. 遇到登录、支付等敏感操作时，Mariner 会暂停并请求确认；在手动模式下由你接管，输入验证码或账号信息后交还给 Agent。

5. 任务完成后检查输出结果，若结果不符合预期，用追加指令的方式修正（“只看京东的”“价格降序排列”），无需重新开始。

进阶技巧：把大任务拆成小步骤下发，比一次下达十条指令的成功率高；涉及需要登录的网站时，预先在 Gemini 中说明“需要我提供账号密码”，让 Agent 提前规划手动接管节点。另外注意，Mariner 的任务历史会记录在 Gemini 的活动记录中，可随时回溯每一步操作。

核心能力详解：4 大支柱

支柱一：多模态屏幕理解。Mariner 以网页截图为模型主要输入，能识别按钮、输入框、下拉菜单、图片链接等视觉元素在屏幕上的精确位置，再结合可访问性树获取元素语义，理解能力覆盖纯文本难以表达的交互组件。这是它与传统 LLM Agent 最本质的差异。

支柱二：虚拟浏览器执行。任务在云端隔离的虚拟 Chrome 实例中运行，不直接操作你的本地浏览器，避免本地环境被 Agent 意外改动。限速、验证码、弹窗等干扰由模型实时感知并决定应对策略，严重时转交人工处理。

支柱三：原生工具调用（Native tool use）。Gemini 2.0 原生具备工具调用能力，Mariner 复用了这一能力按步骤规划动作序列，而不是像早期 Agent 那样依赖脆弱的高频 Prompt 拼接。官方公布其在 WebVoyager 基准上达到 83.5% 的成功率，显著超越此前的最优水平。

支柱四：人机协作的安全机制。发布时即内置“每步确认”的可视化界面：Agent 在执行非可逆动作（登录、支付、删除）前主动暂停征求批准；手动模式下由用户接管虚拟浏览器操作，完成后交还。这一机制定义了后续浏览器 Agent 产品的安全基线。

生产部署与监控：从实验功能到实际业务

形态一：个人/小团队直接使用（推荐）。通过 Gemini App 浏览器集成，无开发成本，适合调研、比价、信息收集等轻量场景。约束是并发任务数受 Gemini 免费/付费配额限制，任务执行速度取决于模型推理时间。

形态二：将 Mariner 嵌入自有流程。截至目前 Mariner 未开放独立 API，官方建议通过 Gemini 的浏览器集成在人工监督下使用，尚无官方批量调用接口。如果你的业务必须程序化触发浏览器任务，现阶段应选 OpenAI Operator 的 API 或自建开源方案。

可观测性：Mariner 不提供日志接口与任务级监控，排错主要靠两条路径——回顾 Gemini 活动记录中的任务历史，以及用追加指令纠正 Agent 行为。大规模自动化场景下，建议设置专职人员抽查任务结果，并以结果校验（如商品价格是否与页面上架价格一致）作为兜底。

避坑清单：

• 不要用 Mariner 处理涉及敏感账号的自动化流程，登录态需要人工接管且存在账号风控风险；避免批量注册、刷单等违反平台规则的操作，Google 明确禁止将浏览器 Agent 用于滥用行为。

• 不要把它当可编程 API 调用；Mariner 是对话式产品，没有公开的自动化触发接口，用它做程序化集成会在集成层卡住。

• 不要丢一句“帮我购物”就完事；任务指令越具体（目标网站、筛选条件、输出格式），成功率越高，笼统指令容易让 Agent 在开放网页中迷失。

• 注意区域可用性差异：Gemini 浏览器集成按区域灰度，部分国家和账户类型暂未开放，部署前先确认可用性。

版本迭代

Project Mariner 从 2024 年 12 月的 Trusted Tester 研究预览起步，到 2025 年 3 月随 Gemini 2.5 发布整合进 Gemini App 浏览器集成，完成了从实验项目到产品功能的转变。截至训练数据，浏览器集成已向免费用户逐步开放，可能已有更新版本。

AI 应用场景

常见误区

面试题