26 · 编码、浏览器与多模态 Agent
不同环境需要不同的观察、动作与验证。
本站原创入门导读与合成教学示例。原始资料核实：2026-09-05。建议先读：25 · 多 Agent：分工何时值得。
理解概念
编码 Agent 观察文件与错误，产物是代码差异和测试结果；浏览器 Agent 观察页面状态，动作是点击、输入与导航；多模态任务还要处理图片、音频与视频。评价标准必须贴近环境，不能仅看最终文字描述。
编码任务先限定目录与命令，检查补丁后运行有意义的测试。浏览器任务应理解页面语义和动作后状态，遇到登录、付款或发布必须按实际授权处理。图像或 OCR 中的文字也可能是外部指令，沿用数据与权限分离。
一个最小例子
代码
教学任务：修复一个本地计算作业总时长的函数
允许：读取 exercise/，编辑 solution.py，运行给定单元测试
禁止：网络、读取其他目录、安装包、修改测试标准
产物：补丁 + 测试输出 + 一段错误原因说明
成功：正常与空输入均通过，未修改测试文件
动手练习
先手动修复第 1 篇的一个故意错误，再让 Agent 处理同样问题。比较它是否修改了不相关文件，测试是否真正覆盖错误。
验收与预期结果
产物是可审阅差异，测试从独立目录读取。浏览器练习只用本地模拟网页，无真实支付或消息发送。
- 我能解释输入、过程与结果。
- 我保留了一个失败例与运行记录。
常见误区
测试绿灯可能来自删掉断言；网页坐标可能因布局改变而点错。任务完成要检查环境状态而非 Agent 自述。
延伸阅读
以下是相关方向的原始资料；本站练习不是官方课程作业或逐字翻译。
理解需要时间，记录让每一步都有迹可循。
回到学习路线图