上周在刷 Twitter 的时候，看到有人发了张截图：一个浏览器插件界面，模型列表里整整齐齐排着 GPT-5.5、Claude Opus 4.8、Gemini 3.1 Pro、Grok 4.3，底下赫然写着「免费」。
第一反应是钓鱼网站。
点进去一看，居然是美团做的。一个叫 Tabbit 的 AI 浏览器，6 月 9 号刚发布 1.0 版本。我拿主力浏览器装了试了三天，说实话，模型免费不是最让我意外的——浏览器 Agent 自动化才是这个产品的真正野心。
一句话摘要：Tabbit 把 AI 模型聚合、浏览器自动化、技能市场三件事塞进了一个浏览器插件，免费额度给得很大方，但 Agent 自动化在复杂场景下还比较拉胯。
先搞清楚：Tabbit 到底是什么
你可能跟我第一反应一样——又一个 ChatGPT 套壳？
不是。Tabbit 是一个浏览器原生的 AI 操作系统，由 Lumina Lab 开发，注册在新加坡。它跟 ChatGPT 的根本区别在于：ChatGPT 是一个聊天窗口，Tabbit 是把整个浏览器变成了 AI 的操作界面。
三个核心层：
| 层级 | 功能 | 和现有产品的关系 |
|---|---|---|
| 模型聚合层 | 免费接入 8+ 旗舰模型 | 类似 Poe，但免费且无每日配额 |
| Agent 自动化层 | AI 操控浏览器完成任务 | 类似 Browser Use / OpenAI Operator |
| Skills 技能层 | 2000+ 预置技能覆盖 100+ 网站 | 类似 Claude Code 的 Skill 系统 |
这三个层级叠在一起，Tabbit 的定位就清楚了：它不是在跟 ChatGPT 抢聊天入口，而是在抢浏览器这个 AI 操作的主战场。
免费模型到底能用到什么程度
先说大家最关心的——免费到底是真免费还是骗进去割韭菜。
国际版（tabbit.ai）目前支持的模型：
| 模型 | 能力等级 | 免费状态 |
|---|---|---|
| GPT-5.5 | OpenAI 旗舰 | 免费 |
| Claude Opus 4.8 | Anthropic 旗舰 | 免费 |
| Gemini 3.1 Pro | Google 旗舰 | 免费 |
| Grok 4.3 | xAI 旗舰 | 免费 |
| DeepSeek V4 | 国产最强 | 免费 |
| Kimi K2.6 | 国产长文本 | 免费 |
| GLM 5.2 | 智谱旗舰 | 免费 |
| MiniMax M2.8 | 国产多模态 | 免费 |
官网的说法是「no upsell tier hidden behind a paywall」——没有隐藏付费墙。搜狗微信上几篇热文提到每周约 1000 次免费对话 + 50 张配图，用完后可以切到不限量的高级模式。
我实测三天，每天重度使用（每轮对话含上下文），GPT-5.5 和 Claude Opus 4.8 都没有被限流的迹象。响应速度跟直接调 OpenAI/Anthropic 官方 API 感觉一致，没有明显的排队或降速。
但有一个关键细节：免费模型走的是 Tabbit 的代理路由，你的 prompt 和 response 都经过新加坡的合规服务器。后面会单独说隐私问题。
浏览器Agent自动化：我测了3个场景
这才是 Tabbit 区别于所有聊天 AI 的核心卖点。所谓浏览器 Agent，就是你给 Tabbit 一个任务指令，它自动操控浏览器帮你完成——点击、填表、翻页、抓数据，全程不需要你动手。
我设计了三个场景，从简单到复杂，逐一实测。
场景一：自动填写 GitHub Issue 模板（成功率：100%）
任务描述：在 GitHub 一个开源项目中，自动填写一个 Bug Report Issue，包括标题、复现步骤、环境信息。
执行过程：我在 Tabbit 的 Agent 面板输入：「帮我在 github.com/magebyte/power-ai/issues/new 里创建一个 bug report，标题写 Tabbit Agent 搜索框偶尔不响应，复现步骤：1. 打开搜索 2. 快速连按三次回车 3. 搜索框无响应，环境 macOS 15.5 + Chrome 126。」
Tabbit 大约花了 8 秒完成整个流程：打开 issue 页面 → 选择 Bug Report 模板 → 依次填入标题、描述、复现步骤 → 提交。每个字段填写时都会高亮当前操作的 DOM 元素，视觉反馈很清楚。
结论：对于结构化的表单填写，Agent 的表现堪称完美。100% 成功率，零人工干预。
场景二：自动抓取并对比两个 npm 包的下载量（成功率：80%）
任务描述：分别访问 npm 上 express 和 koa 的页面，抓取近一周下载量，生成对比结论。
执行过程：Tabbit 依次打开两个 npm 页面，等页面加载完成后提取周下载数据。express 周下载约 2800 万次，koa 约 120 万次。最终生成了一句对比结论。
踩坑：第一次执行时，npm 页面的动态加载还没完成，Tabbit 就开始读数据了，抓到了 -- 占位符。第二次加了「等页面完全加载后再读取」的限定，成功了。说明 Agent 对异步加载的等待策略还不够智能，需要用户在指令里显式提醒。
场景三：自动登录电商网站并比价（成功率：失败）
任务描述：在某电商平台搜索「机械键盘」，筛选价格 300-500 元区间，按销量排序，取前 3 个结果的名称和价格。
执行过程：Tabbit 能打开搜索页，能输入关键词，能点击搜索按钮。但到了筛选价格区间这一步，它遇到了平台的反爬弹窗（滑块验证码），Agent 完全卡住了。
结论：需要登录或有反爬机制的网站，Agent 目前基本不可用。这不是 Tabbit 的技术问题，而是整个浏览器 Agent 赛道的共同瓶颈——反爬和验证码是 Agent 自动化最大的天敌。
实测数据汇总
| 场景 | 任务类型 | 耗时 | 成功率 | 人工干预 |
|---|---|---|---|---|
| GitHub Issue 填写 | 表单自动化 | 8s | 100% | 无 |
| npm 数据对比 | 网页数据抓取 | 25s | 80% | 需显式等页面加载 |
| 电商比价 | 跨页面操作 | 失败 | 0% | 无法绕过验证码 |
我的判断：Tabbit 的 Agent 在结构化、无反爬、公开页面的场景下已经能用了。但凡涉及到登录态、验证码、复杂交互状态机，目前还是别指望。
这里有个大多数人踩过又不知道原因的坑：Agent 对页面状态的理解完全依赖 DOM 快照。当页面有异步加载、动态渲染、或需要等待特定事件触发时，Agent 会「看到」一个不完整的页面。这跟人类「等页面加载完再操作」的直觉完全不同——Agent 不会主动等，除非你显式告诉它。这个差异会导致 Agent 在很多「看起来简单」的场景下翻车。
Skills 系统：2000 个预置技能到底有没有用
Tabbit 号称有 2000+ Agentic Skills，覆盖 100+ 常用网站。听起来跟 Claude Code 的 Skill 系统类似，但机制完全不同。
Claude Code 的 Skill 是本地 Markdown 文件，定义了 agent 在特定场景下的行为规则，由 Claude 的工具调用能力驱动执行。
Tabbit 的 Skill 更像是预录制的浏览器自动化脚本 + prompt 模板组合。比如它的「GitHub Skill」就封装了创建 Issue、搜索代码、管理 PR 等一系列操作的 Agent 指令。
我翻了一下它的 Skills 列表，大概分三类：
| 类型 | 示例 | 实用性 |
|---|---|---|
| 网站操作型 | GitHub、Notion、Google Docs | 较高，结构化操作 |
| 信息聚合型 | 新闻汇总、Twitter 趋势 | 中等，信息抓取可用 |
| 模板生成型 | 简历、PPT、代码模板 | 较低，跟直接用模型差距不大 |
说实话，Skills 系统的真正价值不在那 2000 个预置技能，而在它的 Skill 开发框架——你可以自己写 Skill 来自动化你常去的网站。但目前 Skill 的自定义文档非常少，社区生态还没起来。
跟 ChatGPT、Claude、Perplexity 横向对比
| 维度 | Tabbit | ChatGPT Plus | Claude Pro | Perplexity Pro |
|---|---|---|---|---|
| 月费 | 免费 | $20 | $20 | $20 |
| 最强模型 | GPT-5.5 + Claude Opus 4.8 | GPT-5.5 | Claude Opus 4.8 | GPT-5.5 |
| 浏览器 Agent | 内置 | Operator（额外收费） | 无 | 无 |
| Skills 生态 | 2000+ 预置 | GPTs（已弱化） | MCP + Skill | 无 |
| 联网搜索 | 内置 | 内置 | 内置 | 核心功能 |
| 隐私透明度 | 新加坡合规路由 | 美国 | 美国 | 美国 |
| 响应速度 | 快（代理路由） | 快 | 快 | 中等 |
最大差异：Tabbit 是唯一一个把「模型免费 + 浏览器 Agent + Skills 生态」打包在一起的产品。ChatGPT 的 Operator 功能类似但要额外付费，Claude 和 Perplexity 根本没有浏览器 Agent。
最大劣势：Tabbit 的对话质量和模型表现，跟直接用原厂产品相比，我主观感受差了大约 5-10%——可能是因为代理路由的 prompt 预处理。不确定是网络延迟还是 prompt 注入导致的。另外，Tabbit 不支持 system prompt 自定义和 temperature 调参，对需要精细控制模型行为的开发者来说是个硬伤。
底层技术：浏览器Agent是怎么实现的
你可能会好奇，Tabbit 到底用什么技术驱动浏览器 Agent。从它的行为模式推断，核心技术栈大概率是多模态大模型 + DOM 解析 + 任务规划链的组合。
具体来说，Agent 每执行一步操作，流程大概是这样的：
- 页面理解：拿到当前页面的 DOM 树快照（或者视觉截图），送给多模态模型分析
- 任务分解：模型把用户的自然语言指令拆成一系列原子操作（点击、输入、滚动、等待）
- 元素定位：在 DOM 树中找到目标元素的 selector 或坐标
- 操作执行：通过浏览器扩展 API 模拟真实用户操作
- 结果验证：检查操作后的页面状态是否符合预期，决定是否需要重试
这个架构有个天然的瓶颈：每一步都要调一次模型推理，导致复杂任务的延迟是线性累加的。我测的 npm 对比场景，25 秒的耗时里至少有 15 秒花在模型推理上。
对比 OpenAI 的 Operator 和 Anthropic 的 Computer Use（虽然 Computer Use 不是浏览器 Agent），Tabbit 的实现明显更轻量，但精度也更低。Operator 有 OpenAI 自己的视觉理解模型做底层支持，定位准确率更高；Tabbit 用的是通用多模态模型，在复杂页面上的定位偶尔会出错。
隐私和安全：把浏览器交给 AI 代理，你敢吗
这是我在用 Tabbit 之前最纠结的问题，也是我认为所有 IT 工程师都应该认真考虑的点。
数据流向：Tabbit 的 Agent 操作是在你的浏览器里执行的，但模型推理请求会经过新加坡的合规服务器。官方说法是不存储用户 prompt，但作为工程师，你应该知道「说不存」和「真的不存」是两件事。
需要你关注的风险：
| 风险点 | 具体情况 | 严重程度 |
|---|---|---|
| Agent 访问你的登录态 | Agent 在你的浏览器上下文执行，能看到你已登录的 cookie | 高 |
| prompt 经过第三方服务器 | 所有对话内容经过 Tabbit 代理 | 中 |
| Skill 来源不可审计 | 预置 Skill 的执行逻辑用户看不到源码 | 中 |
| 浏览器权限过大 | 插件需要几乎所有网站的读写权限 | 高 |
我的建议：在公司浏览器和个人浏览器之间做隔离。别在装了 Tabbit 的浏览器里登录公司内部系统、财务系统、或任何敏感账号。用一个专门的 Profile 跑 Tabbit。
什么时候用，什么时候别用
适合用 Tabbit 的场景：
- 你想同时对比多个模型对同一个问题的回答，省去挨个切换的麻烦
- 你有大量重复性的网页操作（填表、信息抓取、内容发布），想试试 Agent 自动化
- 你想免费用 GPT-5.5 和 Claude Opus 4.8 但不想每月花 $40
- 你想探索浏览器 Agent 这个新方向，Tabbit 是目前门槛最低的入口
别用 Tabbit 的场景：
- 涉及登录态的敏感操作（银行、公司内网、支付）
- 需要绕过反爬机制的数据采集（Agent 目前没有这个能力）
- 对响应质量要求极高的场景（直接用原厂 API 更稳）
- 所有需要处理公司机密信息的工作
常见问题
Q1：Tabbit 国际版和国内版有什么区别？
国际版（tabbit.ai）支持 GPT-5.5、Claude Opus 4.8 等海外模型，注册和服务器在新加坡。国内版主要接入国产模型（DeepSeek、Kimi、GLM 等），合规要求不同。两个版本的 Agent 和 Skills 功能基本一致，但模型池不同。
Q2：免费额度用完怎么办？
搜狗微信上的热文提到每周约 1000 次免费对话额度，用完后可以切到高级模式。实测下来，普通使用节奏很难在一周内用完 1000 次。如果你是重度 Agent 使用者，可能会在周三左右碰到额度。
Q3：跟 Claude Code 的 Skill 系统有关系吗？
没有关系。Claude Code 的 Skill 是本地 Markdown 文件定义的 agent 行为规则，由模型的工具调用能力驱动。Tabbit 的 Skill 是浏览器自动化脚本 + prompt 模板，本质是「录制回放 + AI 补全」。名字相似，机制完全不同。
Q4：Tabbit 的浏览器 Agent 能替代 Selenium / Playwright 做自动化测试吗？
不能。Tabbit 的 Agent 是自然语言驱动的，每次执行路径可能不同，没法保证确定性。自动化测试需要的是确定性 + 可重复性，Selenium 和 Playwright 仍然是正确选择。Tabbit 的 Agent 更适合「一次性探索任务」，不适合 CI/CD 管线。
Q5：Tabbit 靠什么赚钱？
目前没有公开的商业模式信息。考虑到 Lumina Lab 注册在新加坡，且免费模型的算力成本不低，后续大概率会走企业版付费、或高级 Agent 功能付费的路线。模型聚合层可能一直是免费入口，靠 Agent 和 Skills 层变现。
我的判断
Tabbit 代表了一个明确的趋势：AI 战争正在从「模型层」转向「入口层」。模型本身正在快速商品化——当 GPT-5.5 和 Claude Opus 4.8 都能免费用的时候，模型就不再是壁垒。谁掌握了用户触达 AI 的入口，谁就拿到了下一阶段的船票。
美团做 Tabbit 的逻辑不难理解：浏览器是所有 Web 操作的起点，把浏览器变成 AI 操作系统，就等于拿到了用户和所有网站之间的「中间层」控制权。这跟当年 Google 做 Chrome 的逻辑如出一辙——浏览器不是目的，用户行为数据和分发入口才是。
对工程师来说，Tabbit 值得花一个下午试一试。但别指望它今天就能替代你的自动化工具链。它的 Agent 能力还处于「能用但不稳」的阶段，适合探索和简单任务，距离生产级自动化还有明显差距。
下次有同事跟你说「AI 浏览器要颠覆一切了」，把这篇文章甩给 TA。