当 Claude 还在教你怎么用 Computer Use，Google 选择让 Gemini 直接开你的 Chrome

AI Agent 正在学会"用浏览器"，但各家教法截然不同。Anthropic 选择让 Claude 看屏幕截图、识别按钮、模拟点击，一种通用的"计算机使用"能力。OpenAI 用 ChatGPT Work 走任务自动化路线。Google 的方案最简单粗暴：把 Gemini Spark 塞进 Chrome，直接用你已经登录的账号和保存的密码干活。

8 月 3 日，Google 通过官方 X 账号宣布，Gemini Spark 正式接入 Chrome 的"auto browse"（自动浏览）功能。在用户授权后，Spark 可以直接操控 Chrome 浏览器，登录用户已有的网站账号，完成从搜索到填表再到确认的多步骤在线任务。Google 在推文中给出了两个典型场景：帮你预约看过的公寓看房时间，或者搜索航班并走到付款前的最后一步。这条推文在 24 小时内获得 1700 余次点赞、46 万次浏览。

这不是一个独立的新产品，而是在已有的 Gemini Spark 基础上增加的一项能力。但它背后的策略信号比功能本身更大。

Gemini Spark 现在可以替你订房、订机票了

具体来说，这次更新的核心不是"Spark 会浏览网页了"。这个能力它之前就有。真正的变化是：Spark 现在能用你的身份浏览网页。

以往 AI Agent 在网页上执行任务时，要么受限于未登录状态（看不到用户专属的信息，如已收藏的房源、会员价格），要么需要用户手动提供凭证（复制粘贴密码、配置 API token）。Spark 的新能力跳过了这个摩擦点。它直接读取 Chrome 中已保存的登录态和密码管理器，以用户的身份执行任务。Google 的博客将这项能力描述为"从规划到执行"的跨越：Spark 不只是帮你想好要做什么，它替你去做。

任务的终点不是"替你付款"。Spark 在走完搜索、比价、填表之后，会在付款页面停下来，把控制权交还给用户。Google 对此的定位是"完成 90% 的繁琐工作，把最后的决策留给你"。

不用装插件，Chrome 就是它的"手"

Gemini Spark 的 Chrome 自动浏览，核心机制是原生的浏览器控制。它不像 Claude Computer Use 那样通过截图理解页面、模拟鼠标点击来操控任意界面，而是在 Chrome 内部直接操作：打开一个独立的标签页，读取页面结构，填写表单，点击按钮。

Google 官方博客（7 月 30 日发布，Adam Coimbra，Gemini App 产品管理总监，与 Charmaine Dsilva，产品管理高级总监，联合署名）描述了两个典型任务流程：

第一个场景是公寓看房预约。Spark 使用用户保存的租房平台账号登录，浏览已收藏的房源列表，找到有空闲看房时段的房产，打开预约页面，自动填入用户的联系方式和偏好时间，最后在提交前停下来让用户确认。

第二个场景是航班搜索与预订。Spark 根据用户指定的出发地、目的地和日期范围，在 Google Flights 或第三方旅行网站上搜索航班，比较价格，筛选直飞选项，填入乘客信息，走完除付款之外的全部流程。

Google 发布的演示截图中，一个名为"Working on it…"的进度面板清晰展示了 Spark 的思考链路：初始化分析 → 调用 Google Flights 和 Google Profile → 并行执行 → 输入目的地机场 → 完成任务。

这个流程的关键在于"使用已登录账号"。大多数 AI Agent 需要用户单独配置 API 密钥、安装浏览器扩展，或者手动复制粘贴登录凭证。

Spark 直接复用 Chrome 中用户已经登录的会话，省掉了整个配置环节。技术博客 Chrome Unboxed 的编辑在试用前瞻中评价："Spark 接手了填表的繁琐部分，但在最后的点击上把控制权还给你。这是 AI Agent 处理敏感操作的恰当方式。"

安全设计是这套方案的另一条腿。Google 在推文串中强调了两层防护：一是针对 prompt injection（提示注入攻击）的主动防御，二是"人在回路中"（human-in-the-loop）的检查点机制。任何涉及支付、密码修改等敏感操作，Spark 会将控制权交还给用户，由用户亲自确认。Google 工程师 Yaowu Xu 在引用推文中补充，团队"首创了针对间接 prompt injection 等复杂威胁的主动防御，同时保持严格的数据隔离，并嵌入自动化的人机检查点"。

不过，这套方案的优势也是它的限制。Spark 的自动浏览功能目前仅在美国向 Google AI Pro 和 Ultra 订阅用户开放。此外，它深度绑定 Chrome 浏览器——如果用户使用的是 Safari、Firefox，或者需要操控的网站不兼容 Chrome，这套能力就无从施展。

两个月的 Spark：从 I/O 概念到 160 国

Gemini Spark 本身是一个还在快速迭代的产品。它在 2026 年 5 月的 Google I/O 大会上首次亮相，被定位为 Google 在消费级 AI Agent 赛道的核心武器。然而发布后的两个月里，Spark 的可用性一直备受质疑。Ishan Mishra（班加罗尔产品经理）在推文下直接吐槽："你们在 I/O 上'发布'了 Spark，两个月过去了，我还是用不了。"

Google 似乎在用这次更新回应这种不满。与 Chrome 集成同步宣布的，还有 Spark 向全球 160 多个国家和地区的 Google AI Pro 订阅用户开放。这意味着 Spark 从一个主要在美国测试的产品，变成了一项覆盖范围接近 ChatGPT 和 Claude 的全球服务。

但地区差异仍然显著。自动浏览功能目前仅限美国，欧洲用户持续在推文下追问："为什么欧盟还不能用？""瑞士不在欧盟，为什么也没有？"Moriarty_tech（波兰科技博主）尖锐地指出："波兰的 Chrome 没有任何 AI 功能，但 Ultra 订阅价格和美国一样。为什么 Claude 和 ChatGPT 能做到，你们做不到？"

三种方案，Google 选了最省事的

目前消费级 AI Agent 领域有三条主要的技术路线，它们在浏览器操控这件事上的设计哲学截然不同。

Anthropic 的 Claude Computer Use 是最"通用"的方案。它通过截图理解任意界面，用模拟鼠标点击来操作任何应用程序——不限于浏览器，也不限于特定网站。优势是覆盖范围广，劣势是需要用户学习一套新的交互模式，且截图识别的延迟和出错率高于原生操控。

OpenAI 的 ChatGPT Work 走的是任务编排路线。用户定义任务目标，Work 调用插件和 API 来执行，本质上更接近自动化脚本而非浏览器操控。它的强项在于结构化工作流，但对需要灵活浏览网页的开放式任务支持有限。

Google 的 Gemini Spark + Chrome Auto Browse 选择了第三条路：深度绑定一个浏览器，换取零配置的原生操控体验。

技术上，这种方案的执行精度和速度优于截图方案。策略上，它利用 Chrome 的 30 亿+ 用户基数和已有的登录态生态，将"迁移成本"压到最低。Cluster Protocol 官方账号在推文下评论："原生浏览器访问比用扩展解析 DOM 稳定得多。"Filecoin 官方账号也参与讨论，提出"一个通过登录账号执行预订任务的 Agent 应该生成独立、可验证的带时间戳审计记录"。这个建议指向了更深层的信任问题：当 AI 替你操作账号时，谁为错误负责？

但也有人不买账。Ishan Mishra 在同一推文下写道："每天我的时间线上都充斥着新的 Google AI 产品发布或更新，但我完全不知道该拿它们做什么。Spark 能做哪些 ChatGPT Work 或 Claude Cowork 做不到的事？"

这场竞争的一个关键变量是：Claude 和 ChatGPT 都不是浏览器厂商。它们要么通过截图模拟，要么通过插件桥接，都无法像 Chrome 的原生集成那样，直接使用用户已经保存的密码、书签、浏览历史和登录会话。Google 正在将这种"浏览器即平台"的资产变成 AI Agent 竞争中的结构性优势。

零迁移成本，是谷歌最锋利的武器

Google 的 AI Agent 策略可以用一句话总结：不让用户为 AI 改变习惯，而是让 AI 适应用户已有的数字生活。

当竞争对手都在构建全新的 Agent 交互范式时，Google 选择把 Gemini 注入到用户每天打开的那个浏览器里——利用已有的登录态、密码管理器、书签和浏览习惯，让 Agent 在用户不需要学习任何新工具的情况下开始工作。这条路径的优势不是模型能力（Spark 的底层模型在多项 benchmark 上仍落后于 Claude 和 GPT），而是分发和粘性。Chrome 是全球使用率最高的浏览器，每一个 Chrome 用户都是 Gemini Spark 的潜在用户。

但 Google 需要解决两个问题。第一，执行速度。如果 Spark 订一张机票需要五分钟，用户宁愿自己动手。第二，信任。当用户允许 AI 以自己身份浏览网页时，Crushed Between 在推文下提问："你会让 Gemini 进入已经保存了信用卡的账号吗？"任何一种错误都可能摧毁刚刚建立的信任。

这两个问题没有出现在 Google 的博客里，但它们会出现在每一个用户第一次使用 Spark 自动浏览时的心里。

参考链接：