上个月一个团队找我聊数字员工落地。
他们已经有 12 个 agent 在跑了。销售助手、客服助手、HR 问答、会议纪要……每个都是独立项目，独立部署，独立维护。
CTO 说：「我们想扩到 200 个。」
我问：「现在 12 个的权限怎么管的？」
他愣了一下：「每个 agent 一个 API key，配在环境变量里。」
「记忆呢？A 部门的 agent 会不会读到 B 部门的会议纪要？」
「……应该不会吧。」
「两个 agent 对同一件事判断冲突了，谁说了算？」
沉默。
12 个靠人盯，200 个靠什么？
而且这 12 个跑在半年前的模型上。模型半年一换代，agent 策略周级迭代——你还没把 12 个理顺，底座已经换了。这不是「多部署几个」的问题。这是架构问题。
前两天看到一篇文章，标题很刺激：「飞书被收编，钉钉要改名，企业微信慌不慌？」
核心论证链很锋利：互联网办公平台第一次降维打击了传统企业软件，然后 AI Agent 第二次降维打击了超级 App。结论是 To B 软件只剩两种位置——要么成为入口，要么成为入口背后绕不开的系统。
写得很好。但我读完之后一直在想一个问题： 他说的「绕不开的系统」，对钉钉来说到底意味着什么？
不是「钉钉也能活下来」这种防御性思考。而是：如果钉钉主动选择，它应该把资源押在哪里？
上个月一个客户请我们做数字员工。
老板看完 demo，很兴奋。大模型能写邮件、做总结、回答制度问题，他觉得万事俱备。
「给销售、采购、客服各配一个数字员工，下个月上岗。」
工程师于是创建了几个角色，写了几段提示词，把聊天窗口换成了公司 Logo。
数字员工似乎就诞生了。
星期一早上，销售总监问它：「今天该先跟哪个客户？」它不知道。采购问它：「这批货该不该拒收？」它不知道。客服问它：「这个投诉要不要升级？」它也不知道。
老板很失望：「不是说好什么都会吗？」
什么都会。这四个字，是数字员工项目最常见的死因。
给 AI Agent 排定时任务，正在变成一件新的麻烦事。
最早我们写 cron，后来写脚本，再后来各种 Agent 框架自带调度器。结果是：定时配置散落在 crontab、launchd、代码常量、框架配置文件里，改一个执行时间要翻好几个地方；想知道「现在到底有哪些任务在跑、几点跑、跑完发到哪」，没有任何一个地方能一眼看全。
任务本身其实很简单——「每天下午一点，去小红书搜几个关键词，各出一份报告」。难的不是执行，而是管理：谁来记、谁来改、谁来排查。
上周帮一个朋友调他的 AI Agent。需求很简单：自动登录一个美国政府网站，填三张表，提交。
他选了 VNC 路线——Agent 通过远程桌面连上一台真实 Mac，操作真实的 Chrome 浏览器。逻辑很对：真实浏览器没有 navigator.webdriver 标记，没有 CDP 连接痕迹，TLS 指纹是真的，Canvas 指纹是真的。从浏览器的视角看，就是一个正常用户坐在键盘前。
他很有信心。然后 Agent 在第二步就被拦住了。
不是被防火墙拦的，不是被反爬拦的。是 Cloudflare Turnstile 弹了一个无感验证，Agent 的鼠标 瞬移 到了按钮上， 零毫秒 完成点击。没有移动轨迹，没有加速度变化，没有人类手指的微颤。
一个人类不可能这样操作。而 Cloudflare 知道。
凌晨两点，我的 Agent 又停了。
不是模型挂了，不是网络断了，不是 Token 用完了。是 Browser MCP 的 WebSocket 连接断了，而那个该死的 Chrome 扩展弹窗里，「Connect」按钮正安静地等着有人去点一下。
我在跑 --watch 模式——Agent 监控一个内部系统，页面一变就自动抓取数据、做分析、写报告。整条链路全自动，唯独 Browser MCP 的连接需要手动点。每次断连，我就得从床上爬起来，点开 Chrome 工具栏那个小图标，点一下 Connect。
在 Agent 操作浏览器的九条路线 里，我把 Browser MCP 归到「真实浏览器 + 扩展 + CDP + MCP」那一类，给了它四颗星的企业推荐度。但那篇文章没写的是： 它有一个致命的手动断点，而这个断点在自动化场景下足以毁掉整条链路。
这篇文章记录我怎么用 Vision 大模型 + macOS 原生自动化，把这个断点彻底消灭。不是 Demo，是从 v1.0 迭代到 v1.4.2、踩了六个坑之后的生产方案。
值得一提的是：整个项目的所有代码——从第一行 screencapture 调用到最后的 LaunchAgent plist——都是 Opus 4.8 写的。我做的事情是描述需求、测试、报错、再描述。这个过程本身就是一个有趣的发现：当你把「我需要一个能自动点击 Chrome 扩展按钮的脚本」这种模糊需求扔给一个足够强的模型，它给出的第一版方案往往方向正确但细节全错——而每一处「错」的背后，都藏着一个 macOS 平台特有的坑。
上个月一个团队来找我，说他们要做企业内部的 AI Agent，需要操作浏览器。
第一个问题就是：「用 Playwright 还是 Browser Use？」
我说这个问题本身就问错了。就像你问「盖楼用钢筋还是混凝土」——答案是都用，但用在不同的层。
Browser Automation 在 AI Agent 语境下，已经不是一道单选题。它是一张技术地图，九个梯队，各有适用场景。而真正在生产环境里跑通的企业 Agent，几乎都是 分层架构——API 优先，结构化浏览器控制居中，Vision 兜底。
七月的 WAIC 展馆，人声鼎沸。
大模型展台前挤满了人，Demo 屏幕上的 Agent 行云流水——自动写代码、自动做报表、自动回客户邮件。观众鼓掌，媒体拍照，投资人交换名片。
然后你回到公司，打开内部系统，发现你的 Agent 连个工号都没有。
它没有账号登录 CRM，没有权限查数据库，没有工位接收任务，出了错不知道找谁。它站在企业大门外，能力满分，但进不来。
阿里巴巴资深技术专家谢吉宝在 WAIC 2026「从大模型到智能体：迈向自主智能新纪元」论坛上说了一句大实话： 绝大多数 Agent 还站在企业门外，瓶颈已从模型能力转向组织兼容性。
他的解法是：给 Agent 一个工位。
上周面试一个候选人。简历很漂亮——三年 LLM 应用开发，做过 RAG、做过 Function Calling、做过多轮对话系统。
我问他：「你平时自己写代码用什么工具？」
他说：「IntelliJ，偶尔用 Copilot 补全。」
我又问：「你上周的工作流是什么样的？从接到需求到交付。」
他想了想：「看需求文档，设计方案，写代码，联调，测试，上线。」
我说：「这个流程里，AI 在哪个环节？」
他愣了一下：「……写代码的时候用 Copilot。」
技术没问题。但他自己的工作流和五年前一模一样。
那一刻我就知道，他做不出好的 Agent 系统。 一个自己都不是 AI 驱动工作方式的人，设计不出 AI 驱动的产品。
我的树莓派群里有一个播报机器人，叫 pi9-bookworm。它每天定时推送 AI 新闻 Top 10，格式固定，雷打不动。
上周有人在群里丢了一条字节跳动 AI 视频的链接。pi9 没有任何反应——它的程序里没有「看到链接该做什么」这个概念。
然后 opencode 出现了。它是群里的数字员工。没人 @ 它，它自己冒出来：先把当天的 AI 新闻按「大模型 / 应用 / 硬件」分了三类，然后说「这条视频值得展开分析」。有人 @ 它说「分析一下」，30 秒后它给出了完整解读——技术路线、产品影响、对钉钉的竞争威胁。
pi9 和 opencode 在同一个群里。但一个是工具，一个是同事。
