5 層瀏覽器自動化路由

逐層遞增的資源調度——用最輕的工具完成工作。

---

比喻：查餐廳資訊的五種方式

你想知道一家餐廳今晚有沒有開。一個理性的人會這樣做：

1. 查 Google Maps — 最快、最便宜。如果營業時間有列出，你就搞定了。
2. 上餐廳官網 — 多一點努力，但還是很快。翻首頁找營業時間。
3. 打電話給餐廳 — 需要更多精力（也花他們的時間），但能處理官網過時的情況。
4. 派人去現場看 — 昂貴且慢，但保證拿到答案。
5. 派人進去坐下點餐 — 最貴的選項，但如果你要評估完整體驗就必須如此。

DuDuClaw 的瀏覽器自動化遵循相同原則：從最便宜的方式開始，只在上一層失敗時才升級。

---

運作方式

五個層級

Layer 1：API Fetch — 直接 HTTP 請求到 REST API 端點。最快最便宜。

適用場景：有公開 API 的結構化資料來源。天氣服務、股票價格、公開資料庫。 失敗時機：目標沒有 API，或所需資料未透過 API 暴露。

Layer 2：Static Scrape — 下載 HTML 頁面並解析，不執行 JavaScript。

適用場景：傳統伺服器渲染的網站，內容在初始 HTML 中。 失敗時機：需要 JavaScript 才能渲染內容的單頁應用（SPA）。

Layer 3：Headless Browser — 啟動瀏覽器引擎（無可見視窗），執行 JavaScript，完整渲染頁面，然後擷取資料。

適用場景：客戶端渲染的現代 Web 應用。大多數 SPA、儀表板、互動地圖。 失敗時機：需要認證、CAPTCHA 解決或其他互動步驟的頁面。

Layer 4：Sandbox Browser — 與 L3 相同，但在隔離容器中執行以確保安全。

適用場景：需要認證的頁面、嘗試偵測自動化的網站、需要複雜互動序列的頁面。 失敗時機：需要視覺模式辨識、拖放或其他類人視覺互動的頁面。

Layer 5：Computer Use — 虛擬顯示器加模擬滑鼠和鍵盤。瀏覽器以可見方式運行，系統「觀看」螢幕來決定點擊什麼。

適用場景：任何人類坐在電腦前可以做的事。最強大的層級。 失敗時機：不會失敗。但它是最慢最貴的選項，應該是最後手段。

替代方案：Browserbase — 對不想在本地維護虛擬顯示器的團隊，DuDuClaw 支援用 Browserbase 作為 L5 的雲端瀏覽器替代方案。瀏覽器跑在 Browserbase 的基礎設施上，DuDuClaw 透過 API 下指令。能力相同，本地零資源成本（但需要 Browserbase 帳號）。

路由決策

路由器不總是從 L1 開始。根據任務和目標，可能直接跳到適當的層級：

已知 API 端點？       --> 從 L1 開始
已知靜態網站？       --> 從 L2 開始
已知 SPA？           --> 從 L3 開始
需要認證？           --> 從 L4 開始
需要視覺任務？       --> 從 L5 開始
未知？               --> 從 L1 開始，按需逐層降級

---

安全：預設拒絕

瀏覽器自動化很強大，也很危險。不受限制的瀏覽器存取可能讓 Agent：

• 造訪惡意網站
• 下載惡意軟體
• 透過網頁表單外洩資料
• 執行任意 JavaScript

為防止此問題，DuDuClaw 使用預設拒絕的能力模型：

Agent 設定：
  [capabilities]
  computer_use = false        # L5 預設關閉
  browser_via_bash = false    # 透過 shell 呼叫 L3/L4 預設關閉
  allowed_tools = [...]       # 允許的工具白名單
  denied_tools = [...]        # 禁止的工具黑名單

L2 以上的每個層級都需要在 Agent 設定中明確授權。未被特別授予瀏覽器能力的 Agent 只能使用 API 呼叫和靜態爬取。

---

資源比較

層級	啟動時間	記憶體	網路	安全風險
L1：API Fetch	~0ms	~1 MB	單一 HTTP 請求	極低
L2：Static Scrape	~0ms	~5 MB	單一 HTTP 請求	低
L3：Headless Browser	~2s	~200 MB	多個請求	中等
L4：Sandbox Browser	~5s	~300 MB	受控	低（隔離）
L5：Computer Use	~10s	~500 MB+	完整瀏覽器	中等（隔離）

L1 和 L5 之間的差距大約是 500 倍的資源消耗。用 L5 處理 L1 就能搞定的任務，就像開卡車去拿一封信。

---

這為什麼重要

成本與複雜度成正比

每個 Web 任務獲得完成所需的最小資源。簡單的資料檢索（95% 的情況）消耗接近零的資源。只有真正複雜的任務（登入、視覺互動）才觸發重量級層。

透過最小化實現安全

只需要查股票價格的 Agent 不會獲得瀏覽器存取權。最小權限原則透過能力系統自動執行。

優雅降級

如果較高層級失敗（容器服務不可用、瀏覽器引擎當機），系統通常可以降級到較低層級以減少功能運作，而非完全失敗。

---

與其他系統的互動

• 容器沙盒：L4 使用與隔離 Agent 任務執行相同的容器基礎設施。
• 安全 Hook：bash 守門員與更廣泛的安全防禦系統整合。
• Agent 設定：每個 Agent 的瀏覽器能力是其整體能力設定的一部分。
• 審計日誌：所有瀏覽器自動化操作都被記錄以供合規。

---

總結

5 層瀏覽器路由器體現了一個簡單原則：不要用大槌掛畫框。透過自動匹配工具與任務複雜度，系統最小化資源使用、降低安全暴露，並讓大多數 Web 互動保持快速和便宜。