把 Computer Use 的成本砍掉 80%：VibPage 混合模式的优化之路
用着用着，发现用不起了
VibPage 转型做网页自动化之后，我一直在用 OpenAI 的 Computer Use 来操控浏览器。原理很简单：截屏 → AI 看图 → 决定点哪里 → 再截屏 → 再看图……循环往复，直到任务完成。
效果确实好。AI 能像人一样”看到”屏幕上的内容，什么元素都能操作。
但有个致命问题：太贵了。
我让它去玩了一把 Flash Linez 这个小游戏，来回截图几十次，每次都是一张高清大图传给 AI 分析。结果呢？花了我 1.4 美金，玩得还很一般。
如果是我自己测试用用，倒也无所谓。但如果要让普通用户用起来，这个价格就完全不现实了。0.5 美金做一个任务，谁愿意天天用？
第一刀：降分辨率 + 换 JPG
既然图片 token 是大头，那就先从图片下手。
我做了两个优化：
- 降低截图分辨率——不需要每次都传 4K 大图，AI 看个大概就够了
- 把 PNG 换成 JPG——PNG 无损压缩，文件大；JPG 有损压缩，文件小得多，AI 照样能看懂
就这两个改动，token 消耗直接降了大约 60%。
效果立竿见影。但我觉得还不够。
第二刀：DOM 优先，Computer Use 兜底
降低图片成本是”省”，但真正的大招是”少用”。
我开始想：每次操作都需要截图让 AI 看吗？
其实很多网页操作，根本不需要”看”。点击一个按钮、填写一个输入框、选择一个下拉菜单——这些操作，通过 DOM（网页的结构化数据）就能精准定位和操作。DOM 就是一堆文本，token 消耗比图片低了一个数量级。
所以我设计了一个混合模式（Hybrid Mode）：
- 先用 DOM 模式——读取页面结构，尝试通过元素选择器完成操作
- DOM 搞不定的，再切 Computer Use——比如一些复杂的可视化界面、Canvas 渲染的内容、或者需要精确坐标点击的场景
实测下来，大部分网页操作（70-80%）用 DOM 就能搞定。 只有少数情况需要回退到 Computer Use。
这一刀砍下去，token 消耗又降了大约 90%。
算笔账
把两步优化叠加起来，效果很明显：
| 模式 | 一个典型任务的成本 |
|---|---|
| 纯 Computer Use（优化前） | ~$0.50 |
| 降分辨率 + JPG | ~$0.20 |
| 混合模式（DOM 优先） | ~$0.10 |
从 0.5 美金降到 0.1 美金，整体节省约 80%。
0.1 美金做一个自动化任务，这个价格就合理多了。如果是批量执行一些简单的定时任务，成本还能更低。
为什么不一开始就用 DOM？
你可能会问：既然 DOM 这么好，为什么不一开始就全用 DOM？
因为 DOM 有局限性：
- 有些页面结构极其复杂，DOM 树嵌套几十层，AI 很难从中找到正确的元素
- 有些内容是动态渲染的，DOM 里看不到实际显示的内容
- 有些操作需要视觉判断，比如”点击页面中间那个红色按钮”，纯靠 DOM 很难定位
Computer Use 的优势就是”所见即所得”——AI 看到什么就操作什么，跟人的操作方式一样。这种兜底能力不能丢。
所以最好的方案不是二选一，而是混合使用：能用 DOM 就用 DOM，搞不定再上 Computer Use。
一点感想
做优化这件事其实挺有意思的。
一开始我只是觉得”太贵了，得想办法降成本”，没想到一步步优化下来，成本能砍掉 80%。而且优化的思路也不复杂——先减少数据量，再减少调用次数。
这让我想到一个更普遍的道理：很多时候，技术方案的第一版都是”先跑起来再说”。真正的优化空间，往往在你跑起来之后才能看到。
VibPage 现在用混合模式跑，效果和纯 Computer Use 几乎一样，但成本只有原来的五分之一。这意味着更多人可以用得起 AI 网页自动化了——这才是我想要的。
项目依然完全开源：
- 网站：vibpage.com
- GitHub：github.com/eickegao/vibpage