OpenClaw最近彻底刷屏。不到100天GitHub Star数突破250,000，超越React 13年的积累，成为GitHub 历史上Star增速最快的开源项目。所有人都在讨论“AI 能自己操控电脑了”。
但冷静想一想——它的部署门槛，对普通人来说几乎不可逾越：Docker配置、SSH、API Key申请……加上安全隐患频发、调用成本高企，每一步都在劝退人。当下的热度，更多属于开发者圈子的焦虑外延。
但它的火，也恰恰说明了一件事：大家对AI介入工作流的渴望是真实的。 只是需要一个门槛更低、更贴近日常的方式来实现。
实际上，对大多数人来说，一个AI浏览器可能就够了。
01、实测：和Tabbit做写稿搭子
为了测试AI浏览器，我决定先从日常工作开始，整个写稿过程只用Tabbit这一个产品，看看AI浏览器能不能扛下来。毕竟，写作的逻辑不只对内容创作者成立——搜索信息、做研究、整理资料，是每个人日常都有的通用场景。
先介绍一下Tabbit的几个核心功能：浏览器本体、Chat、智能代理、妙招功能。利用这几个功能，我的创作过程，大致分为三步。
*步，在正式开工之前，先用“妙招”创建写作模板。
妙招的功能类似Claude Code和龙虾里的Skill，用户可以自主创建妙招，保存和复用高频提示词，需要时在Chat对话框里，输入「/」就可以调用。
我在动笔之前创建了两个：实测类专家写作、资料搜集。
其中“资料搜集”包含了我平时调研时的思考框架——从市场格局到产品差异，从技术架构到用户反馈。这一步花了不到十分钟，但它决定了后续整个过程的质量。
第二步，调用“资料搜集”妙招，进入调研环节。
AI按我预设的框架展开搜索，给出了一份覆盖面完整的调研报告，沉淀在当前对话里，以下是截取的产品对比：
这个过程中有三个体验让我印象很深。
*是，我可以打开报告中的任意链接，针对网页截屏，或是划线选中某段文字，直接注入Chat对话中，让AI就这段具体内容展开分析，上下文始终连贯。
其次，是智能标签页——我同时打开了十几个页面，Tabbit自动将标签分类整理，行业报告归一类、产品官网归一类，导航栏一目了然，治愈了强迫症患者。
最后，最值得一提的是妙招中的脚本妙招。
不同于提示词妙招，在脚本妙招中，用户可以通过自然语言提出需求，Tabbit自动生成对应代码脚本，保存后，就变成了一个可以随时调用的小妙招了，效果类似浏览器插件。
我在调研过程中，临时创建了一个“一键抓取页面图片”的脚本妙招，可以边看资料边下载素材。
试运行了下，一次就成功了，说明Tabbit把AI的代码生成能力和浏览器的实际运行环境做了精准适配。
（团队说后面还会解锁更多玩法，比如播客音频这类多模态信息的抓取，如果你有什么脑洞大开的需求，咱们评论区见，说不定下个版本就适配上了。）
第三步，进入写作过程。
在和AI一起收集资料、测试、对话探讨的过程中，我基本形成了自己的思路，手动敲了一份思路文档，然后调用我的“实测类专家写作”妙招，让AI来补充，我甚至直接可以调用我的实测任务页面，让它自己整理测试情况。
因为我的妙招中，明确写出了：“在不明确如何执行的时候，向编辑提问，获得更清晰的选题角度，并确认各个部分的内容，不要一口气写作全文”，所以Tabbit向我提出了一系列的问题。
还好我有语音输入法，能够进行快速回复，在此，也希望Tabbit后续能增加一个语音输入的功能。
最终，AI基本完成了我的诉求。拿到初稿之后，我进行了一轮人工修改，然后就做完了。这也是AI浏览器区别于龙虾的关键， 它的核心逻辑是半自动。
我们既不能完全丢掉人，把所有判断都托付给AI、吃现成的输出；也不能拒绝效率进化，事事靠自己。
*的状态，是人始终在回路里，而AI浏览器天然适合这个场景。
02、用妙招，把浏览器、上下文、AI和人串起来
在实测过程中，我*的感触是，Tabbit替我解决了三层上下文断裂的问题。
最基础的一层，是AI 对话之间的断裂。
因为不同模型的技能点不同，很多人现在的 AI 工作流是多AI的组合：用Perplexity或DeepSeek做初步搜索，觉得某个方向值得深挖，就把结果粘到Claude里分析；想发散一下，再切到Gemini去问几个角度。
三个独立对话窗口，三段断掉的上下文。每一次复制粘贴，都在做同一件事：把当前对话里已经积累的上下文——你追问的方向、AI给出的补充、你划掉的那些不要的角度——整体丢弃，然后在新窗口里重新建立一个更薄的版本。
而在AI浏览器中，通过多模型接入，共享同一个上下文解决了这个问题——切换模型不需要新开窗口，你的对话历史和引用内容始终在线。
第二层断裂，是信息获取过程的碎片化。
在做调研的过程中，由于需要参考大量资料，以前要么纯人工，打开几十个网页，挨个阅读；要么纯AI，直接搜到回答给你。
我们越来越发现，纯粹地依赖后者，容易出现信息收集过于狭窄、缺乏细节的问题，人始终需要参与获取更多数据，来拓宽自己的知识库。
因此，在和AI共同搜索的过程中，DeepResearch类工具是必要的。但它们虽然能深度搜索，本质上仍是一个独立页面：搜完之后，如果你想对某段结论深入追问，要么重新开对话，要么在结果末尾继续问，很难选中报告里某句话针对性展开。
而在Tabbit的Chat里，你可以一边让AI总结，一边同时打开多个资料来源页面，截屏、划线选中某段文字，或者直接把几个标签页纳入对话，和 AI 一起做横向对比。这就是human in the loop(人机协同闭环) 的具体形态——随时接管，而不是只能接受 AI 整理好的结论。
从这个角度来说，DeepResearch应该是浏览器的原生能力，而不是一个单独的工具——信息就在眼前，追问也应该发生在同一个地方。
第三种断裂，发生在工具能力层。
多模态文本抓取、全文翻译、批量下载素材……这些需求以前靠安装插件解决，但插件要找、要装、要管理，本质上还是在工具之间跳来跳去。
妙招功能往前走了一步。普通妙招保存的是提示词，脚本妙招保存的是能力——用户可以根据自己的个性化需求，自定义“插件”，随时做、随时用。
比如我在调研过程中，临时创建的“一键抓取页面图片”的脚本妙招，你也可以借助脚本妙招，把网页切换为阅读模式、给页面换成夜间皮肤......
过去AI辅助工作流的一个隐形成本是，上下文是断的，工具是割裂的。妙招和Chat的组合，不只是“保存常用提示词”，而是把每个人流程中出现的痛点和经验，变成可复用的工具，配合始终在线的上下文，让工具边界消失了。
可以说，Tabbit提供了一个让思考能够完整展开的环境：信息在哪里，工具就在哪里，人和AI始终可以介入。
03、AI浏览器，才是大多数人的*解
不过，目前的产品还有迭代的空间。比如，智能代理这个环节，我们专门做了一个测试：打开了飞书文档里的两个表格——“表格A原始数据”和“表格B订单汇总”，让Tabbit分析A中的数据结构，然后按照B的格式要求自动填写汇总信息，这也是比较典型的数据处理场景。
在执行过程中，Tabbit识别了两个表格的维度差异：产品类别、省份、订单状态、支付方式……约一分钟后开始作业，并理解了数据逻辑、处理了计算规则、匹配了格式要求。
但很快，问题出现了：GUI代理对飞书表格的识别不够准确，反复填错单元格，任务没能跑通。我换了一种思路，放弃GUI操作，改用Chat直接处理文档内容，反而一次成功了。
这个弯路本身也说明了一件事：当前GUI智能代理的模型能力还有明显边界，更适合识别范围清晰的填写场景，比如问卷答题、在X和小红书发布内容这类操作。
这个问题并不是无解的。智能代理的边界，更多是模型能力的现阶段局限，随着 AI 能力的持续进化，模型越强，AI浏览器能覆盖的执行场景也就越多。
说回OpenClaw的走红，本质上是一种集体情绪的投射——大家看到 AI 能自己操控电脑，觉得自己也该拥有这个能力。但抛开安装门槛，它本身的风险也在持续发酵：安全漏洞、数据隐患、高额 API 成本等等，导致最近又开始流行起了“卸载OpenClaw教程”。
冷静下来想，真实的工作流里，有多少场景是非得让AI在本地文件系统里自主行动才能解决的，本地的文件可以上传到网页处理，大量的信息获取来自外部网络，需要传播内容的平台也基本都通过网页来完成——发帖、发文章、填表单，这些都是浏览器原生能做的事。
更重要的是，Human in the Loop的场景始终会存在——对C端用户来说，一个能涵盖全场景的工作台，永远比一个功能强大但难以驾驭的自动化工具更有价值，并且随着模型能力变强，AI浏览器的能力上限还在提升。
成为一个统一的工作台，同时也要求AI不只是简单地“存在于浏览器里”。
如果AI只是浏览器角落里的一个悬浮按钮，那和单独开一个ChatGPT窗口没有本质区别——你依然要在工具之间反复跳转，依然要重新组织上下文，承受那些隐性的时间损耗。
Tabbit的优点是，先用多模型接入，共享同一个上下文，再通过Chat打通多标签信息调用，这个过程中，用妙招消灭重复提示词、满足个性化需求，再配合智能代理，打开执行的想象空间。
这些功能单独拆开看，并不是革命性的创新，但组合在一起、长在浏览器里，就变成了一个一体化的工作场。
或许，普通人并不需要一台能自主操控电脑的 AI，而是需要一个真正把AI长在工作入口里的浏览器——在你本来就待着的地方，安静地、丝滑地陪你把事做完。而且它现在是免费的。
