Project Mariner

一个浏览器智能体原型

Project Mariner 是 Google 的一项研究原型：一个在网页浏览器里干活的智能体。Google 在 2024 年 12 月 11 日随 Gemini 2.0 一起公布了它，原型就构建在 Gemini 2.0 之上。^[1] 它的定位属于「智能体」（agent）这条线——不只回答问题，而是替用户动手做事。

怎么工作

Mariner 以实验性 Chrome 扩展的形式运行。它不去调用网站的内部接口，也不依赖网页代码，而是通过理解屏幕上的内容来完成任务——看的是和人眼一样渲染出来的页面，然后在上面操作。^[1] 这种做法带来了通用性：一个读屏幕、而不是依赖固定站点适配的浏览器智能体，原则上可以被指向它从未专门适配过的网站。

Google 报告它在 WebVoyager 基准上取得 83.5%，该基准测试的是真实网页任务；Google 称这一成绩为当前最佳，并说明系统是单智能体（single-agent）配置。^[1]「单智能体」这个细节有意义：一些同类做法把任务拆给多个协作的模型，而单个智能体就能达到这个分数，意味着更简单的设计。

安全边界

一个能在真实浏览器里点击和输入的智能体，一旦出错是有实际后果的，所以这个原型被刻意限制了能力范围。它只能在当前活动标签页内输入、滚动或点击；在敏感操作（比如购买）之前，它要请用户做最终确认。^[1] 这里的假设是：关键时刻由人把关，日常的页面跳转和表单填写交给智能体。

从原型到开发者接口

在 2025 年 5 月的 Google I/O 上，Google 表示 Project Mariner 的计算机使用（computer use）能力将进入 Gemini API 和 Vertex AI，并给出了包括 Automation Anywhere、UiPath 和 Browserbase 在内的合作伙伴。^[3] 这一步把内部的研究演示变成了开发者可以接着做东西的能力，也把流程自动化和浏览器基础设施领域的厂商拉了进来——这些厂商的客户本来就在自动化网页流程。

具体产物随后落地：2025 年 10 月 7 日，Google 在 Gemini API 中发布了 gemini-2.5-computer-use-preview-10-2025 模型；该预览模型于 2026 年 7 月 28 日退役。^[2] 这类预览版有明确的生命周期：先让开发者在接口定型前试用，等后继版本到位就撤下。

在发展中的位置

Mariner 可以看作 Google 对当时整个行业都在处理的一个问题给出的公开答案：语言模型怎样才能不只是一个输入框，而能去操作软件？网页浏览是这个问法里最窄也最有用的切面——大多数知识工作本来就发生在浏览器里，而「看懂屏幕」是进入其中最通用的方式。原型的基准成绩、安全上的几条原则（只在活动标签页操作、涉及花钱先确认），以及它进入 Gemini API 的路径，合起来描述的就是从想法到可用、也可管的一类产品的转变。