#Browser

Agent TARS 支持直接操作你的本地浏览器，因此，在本地使用 Agent TARS CLI 时，你需要确保你安装了 Chrome。

#Browser Operation

在 Agent TARS 中，我们支持基于 DOM、基于 VLM，以及 DOM + VLM 两种模式混合的三种浏览器操控方案：

* 三种模式均包含 navigate、tab 相关的基础导航工具，以及 。

接下来，我将向你讲述三种模式的区别，我们以一段非常简单的 captcha 任务来描述：

Open https://2captcha.com/demo/normal and pass it

#DOM

#开启方式

// agent-tars.config.ts
import { defineConfig } from '@agent-tars/interface';

export default defineConfig({
  browser: {
    control: 'dom',
  },
});

#测试表现

针对前文提到的统一测试 Prompt：

Open https://2captcha.com/demo/normal and pass it

表现如下，可以看到，由于 LLM 看不到屏幕，操作的路径非常复杂，最终也失败了：

#工作原理

基于 DOM 的方案本质工作原理是通过 DOM 分析，识别出页面中的可交互元素：

[1]<img></img>
[2]<button>Captcha solver</button>
[3]<a>Entry job</a>
[4]<a>API</a>
[5]<a>Proxy</a>
[6]<a>Software</a>
[7]<a>Blog</a>
[8]<a>Sign up</a>
[9]<a>Log in</a>
// ... 

因此，这套方案不依赖 Vision，即便是不支持 Vision 的模型（如 DeepSeek） 也可以运行。

#Visual Grounding

#开启方式

// agent-tars.config.ts
import { defineConfig } from '@agent-tars/interface';

export default defineConfig({
  browser: {
    control: 'visual-grounding',
  },
});

#测试表现

针对前文提到的统一测试 Prompt：

Open https://2captcha.com/demo/normal and pass it

可以看到，Agent 能够看到，并直接基于视角完成点击、输入，很快就完成了任务：

#工作原理

本质上，是由 VLM 模型完成 Grounding，返回具体要操作的坐标和内容，然后交给 Browser Operator 完成执行，上述任务实际上经历了三次输出，最终解析后的结果如下：

click(point='<point>383 502</point>')  # 1. 激活输入框
type(content='W9H5K')                  # 2. 输入验证码
click(point='<point>339 607</point>')  # 3. 点击 Check 按钮，完成检查

这里的解析细节与跨模型兼容性，实际上比想象中要复杂，不在本文的讨论范围内，因此暂时跳过。

#Hybrid

#开启方式

// agent-tars.config.ts
import { defineConfig } from '@agent-tars/interface';

export default defineConfig({
  browser: {
    control: 'hybrid',
  },
});

#测试表现

同 Visual Grounding。

#工作原理

从本质来说，Hybrid 模式是将两种场景的 Action Space 合并，通过 Prompt Engineering 协调关系，并交给模型最终来推理和选择合适的工具。由于我们已经为 Visual Grounding 增加了 “信息提取” 相关的工具，因此，大多数情况下，目前 Hybrid 的表现和 Visual Grounding 的实际表现已经差距不大。

在一些场景下，Hybrid 可以在尝试先试用更轻量的 DOM 操作方案，如果失败了，Visual Grounding 能够进行兜底：

因此，从理论上来说，Hybrid 模式具有更好的容错能力。

#对比

#模型兼容性

目前，典型模型的兼容性列表如下：