📰 重點摘要

Hark 是今年五月 Series A 募得 7 億美元的新創公司，今日推出瀏覽器操作代理人 Hark Handoff，主打能有效率地使用瀏覽器完成各類任務。公司表示 Handoff 可以順利在沒有官方 API 的網站上操作，包括 Target、Walmart、OpenTable 與 LinkedIn，做法是讓代理人同時解析網站結構與畫面視覺資料，藉此判斷該點擊哪個按鈕或該在哪裡輸入文字。這種概念與先前推出的大量瀏覽器代理人類似：使用者下達指令後，代理人可代為訂餐、訂咖啡、訂票、辦退貨、採買日用品、訂餐廳位子，或代為蒐集多方資料進行研究。在示範影片中，執行長 Brett Adcock 展示了下指令請代理人依使用者指定花材組花束，並能理解「花店挑選部分花材」這類模糊敘述，不過影片只呈現部分操作過程，難以完整評估其實際效果。公司表示這次發布使用的是後訓練（post-trained）模型，計畫年底前再進行預訓練，藉此更快速優化資料管線、訓練基礎設施與相關技術。Hark 並宣稱，與預測下一個 token 的傳統 LLM 不同，其模型是直接預測「下一個動作」，例如在特定畫面位置點擊或輸入鍵盤內容。目前投入電腦操作代理人領域的還包括 Google、OpenAI、Anthropic，以及 Browser Use、Polar、Strawberry、Aside 等新創。Hark 表示 Handoff 的速度優於競品，成本也遠低於 GPT 5.5、Opus 4.8 等模型，目前已開放候補名單，預計今年夏季結束前正式上線。

💬 JudyAI Lab 觀點

我們常在討論AI落地時預設它必須有官方API才能自動化,Hark這次的做法反過來:讓代理人同時讀取網頁結構與畫面視覺,就能在Target、Walmart、OpenTable這類沒開放API的網站上直接操作,等於把「有沒有API」這個門檻繞過去了。

這反映一個逐漸清楚的產業分工:語言模型負責理解與決策,操作層則交給能同時看懂DOM與畫面的專用代理人,兩者分開訓練與最佳化。Hark強調自己是直接預測「下一個動作」而非單純接龍token,這種針對操作任務重新設計模型目標的做法,可能會讓瀏覽器代理人的執行力比套用通用LLM更穩定,也讓成本壓得更低,是後訓練與預訓練分階段投入的具體案例。

值得留意這類代理人在真實網站上的容錯率與可重現性,而非只看示範片段。

📅 原文資訊

🔗 延伸閱讀