DOM 序列化與無障礙樹映射實現了強大的自動化瀏覽,但在非標 UI 控制項上易陷入重複循環。
1. Agent 推理架構:Comet 是如何與真實網頁互動的?
Comet 的核心機制在於攔截活動分頁的 DOM 結構,將其轉化為無障礙樹(Accessibility Tree)並即時流式傳輸至 Perplexity 雲端的大模型推理管線。模型解析使用者意圖後,下發 CDP(Chrome DevTools Protocol)操作原語,包括模擬點擊、頁面滾動、表單輸入與分頁調度。
在針對 120 個電商及技術文件網站的評測中,該架構在線性、以文本為主的任務中表現亮眼:例如橫向抓取多個廠商的參數規格、提取 API 欄位並直接生成清晰的對比表格。
然而,一旦遭遇複雜網頁模式(如 Shadow DOM 隔離組件、無限瀑布流滾動、Canvas 自繪 UI 或動態雙因素驗證彈窗),Agent 常出現判定猶豫或重複點擊無效區域的情況,需人工介入糾偏。


