大模型 Agent 做日常任务，卡住的从来不是模型能力

一个反直觉的观察

让 Agent 操作浏览器完成一组社区日常任务（浏览、点赞、收藏、评论、发布），最容易归因错误的就是失败：任务没完成，第一反应往往是模型不行。真把每一处失败摊开看，模型负责的部分几乎没出问题，出问题的是环境、框架契约和状态确认。

第一类卡点：环境不配合

浏览器实例的视口尺寸是 0x0，所有 getBoundingClientRect() 返回的坐标落在负半轴。点击工具把 rect 中心点当成真实鼠标坐标，直接判定超出可视区域。模型给出的指令是对的，元素也确实存在，失败发生在坐标层。

绕过方式是放弃坐标点击，改为在目标元素上派发完整事件序列：pointerover、pointerdown、mousedown、pointerup、mouseup、click，其中 pointer 前缀用 PointerEvent，其余用 MouseEvent。只发 click 在很多组件库上静默无效，因为内部状态切换挂在 pointerdown 上。

javascript 复制代码

function fire(el, x, y) {
  ['pointerover', 'pointerdown', 'mousedown', 'pointerup', 'mouseup', 'click'].forEach(function (tp) {
    var E = tp.indexOf('pointer') === 0 ? PointerEvent : MouseEvent;
    el.dispatchEvent(new E(tp, { bubbles: true, cancelable: true, view: window, clientX: x, clientY: y }));
  });
}

工程含义很直接：Agent 的 action 空间不该只有「点击」这一个原子动作，至少要能降级到事件派发，并且能读取环境约束（视口、滚动位置、可见性）。

第二类卡点：框架契约不透明

社区富文本评论框是 contenteditable 的 div。写入要 focus、设置内容、再派发 InputEvent（事件名 input），框架才会把内容同步进自己的响应式模型，字数统计跟着更新。看起来一切正常，但点发送不发请求------提交逻辑挂在键盘事件上，只认 Ctrl+Enter。

javascript 复制代码

var el = document.querySelector('.rich-input');
el.focus();
el.textContent = 内容;
el.dispatchEvent(new InputEvent('input', { bubbles: true, cancelable: true }));
// 提交需要真实键盘事件：Ctrl + Enter

收藏是另一种形式的不透明。点收藏只打开收藏集弹窗，真正的写入发生在第二步：勾选条目内的 checkbox-icon，再点确定，此时才发出 add_article 接口。窄视口下悬浮栏被媒体查询隐藏，还要先强制显形才能取到按钮。

这些行为文档里查不到，只能从 DOM 与网络请求反推。Agent 缺的不是智能，是可观测性：能读网络请求、能读 class 变化，才能把「做了」和「成功了」区分开。

第三类卡点：把隐藏模板读成风控

页面 innerText 里能读到「当前操作失败」，很容易判定为风控而中止。实测那个 risk-modal 常驻在 DOM 里，getBoundingClientRect() 的宽高都是 0，从未弹出------innerText 与 textContent 都会包含隐藏节点。

javascript 复制代码

var m = document.querySelector('.risk-modal');
var r = m.getBoundingClientRect();
// width 为 0 且 height 为 0：模板常驻，并非真实拦截
var real = r.width > 0 || r.height > 0;

判断条件必须是可见性断言：宽度大于 0 才算真弹窗。缺了这一层，Agent 会在完全正常的页面上反复误停；反过来只凭文案就继续，又会把真实拦截吞掉。

第四类卡点：延迟计数与不可控项

社区学习类的浏览任务，单日连开多篇、每篇停留十几秒并滚动，任务页仍可能停在原计数，说明阅读事件上报存在额外限制。反复重试只会制造无效点击，正确做法是记录未计入并在结算里标注。

移动端登录这类项则完全在浏览器 Agent 的能力边界之外，写进「必须手动」清单比绕路实现更省时间。

结论

模型能力决定 Agent 能不能想到下一步；能不能把日常任务跑完，取决于另外三件事：

action 空间的降级能力：坐标点击之外，有没有事件派发、键盘输入、DOM 直接写入。
状态确认机制：每个动作后跟一次断言（字数、class、URL、网络请求），让失败可以稳定复现。
可见性与真实性的区分：读 DOM 必须带 rect 判断，否则隐藏模板会持续制造假信号。

按这套流程重跑，成功率提升来自工程改动，而不是换模型。