Microsoft Webwright stellt Web Agent als Open-Source-Software zur Verfügung und wechselt von „Click“ zu „Code“

Microsoft Research hat kürzlich sein neues Web-Agent-Framework „Webwright“ als Open-Source-Software veröffentlicht. Anstatt sich auf das gängige Vorhersagemodell „Screenshot/DOM-Klick“ zu stützen, ermöglicht dieses Framework KI-Modellen, direkt Playwright -Code zu schreiben und Bash-Befehle im Terminal auszuführen, wodurch komplexe Web-Aufgaben effizienter und logischer erledigt werden können.

I. Kernarchitektur: Ein minimalistischer „Terminal-First“-Ansatz

Die Designphilosophie von Webwright ist einfach: „Ein Terminal ist besser als tausend Abstraktionen.“ Das Framework besteht aus etwa 1.000 Codezeilen, die in drei Kernmodule unterteilt sind, ohne komplexe Multi-Agent-Koordination:

Runner (ca. 150 Zeilen): Verwaltet die Kernlogik der Agent-Schleife und kümmert sich um Kontext und Ausführung.

Model Endpoint (ca. 550 Zeilen): Eine einheitliche Schnittstelle für die Interaktion mit Modellen, die Backends wie OpenAI, Anthropic und OpenRouter unterstützt.

Terminal Environment (ca. 300 Zeilen): Stellt eine isolierte Terminal-Ausführungsumgebung bereit, in der das Modell Playwright-Skripte ausführen, Protokolle einsehen, Screenshots analysieren und Fehler beheben kann.

Ablauf: Der Runner sendet den aktuellen Aufgabenkontext an das Modell → das Modell generiert einen „Denkprozess“ und einen „Shell-Befehl“ → die Umgebung führt diesen aus und gibt Ergebnisse zurück (Ausgabe, Screenshot, Fehlerstapel) → die Schleife wird fortgesetzt, bis die Aufgabe abgeschlossen ist.

II. Warum der Wechsel vom „Klicken“ zum „Schreiben von Code“?

Aktuelle Mainstream-Agenten steuern Browser, indem sie ständig „Klicks, Scrollvorgänge und Eingaben“ vorhersagen, was zu Effizienzproblemen und Herausforderungen bei der Zustandsverwaltung führt. Der code-gesteuerte Ansatz von Webwright bietet klare Vorteile:

Logische Wiederverwendbarkeit: Jeder Vorgang erzeugt wiederverwendbare RPA-Skripte (Robotic Process Automation) und keine einmaligen Klickprotokolle. Diese Skripte können in anderen Tools wie Claude Code oder Codex wiederverwendet werden.

Behandlung komplexer Logik: Code unterstützt von Natur aus Schleifen, Funktionen und Verzweigungen. Bei Aufgaben mit langen Abläufen wie dem Ausfüllen von Formularen, seitenübergreifenden Vorgängen und bedingten Sprüngen übertrifft die Code-Ausführung das einfache Aneinanderreihen von Aktionen bei weitem.

Korrektur technischer Fehler: Durch die Analyse von Stack-Traces nach Ausführungsfehlern kann das Modell autonom in einen iterativen Zyklus aus „Code schreiben – ausführen – Fehler – beheben“ eintreten, wodurch die Erfolgsquote der Aufgaben erheblich gesteigert wird.

III. Technische Durchbrüche: Lösung der Probleme „falscher Erfolg“ und „Kontextüberfrachtung“

Webwright führt gezielte Lösungen für zwei häufige Probleme bei Agenten ein:

Gate-Selbstprüfungsmechanismus: Verhindert, dass das Modell fälschlicherweise den Abschluss einer Aufgabe meldet. Das Modell muss zunächst eine „Selbstprüfungskonfiguration“ generieren und das endgültige Skript in einer sauberen Umgebung ausführen. Erst nachdem eine Selbstreflexion bestätigt hat, dass die Aufgabe tatsächlich erfüllt ist, darf es eine Abschlussmarkierung ausgeben.

Verlaufskomprimierung: Um die Kontextüberlastung durch lange Verläufe zu bewältigen, komprimiert das System den Verlauf alle 20 Schritte zu einer Zusammenfassung und stellt so sicher, dass sich das Kontextfenster stets auf den wesentlichen Fortschritt konzentriert.

IV. Testleistung: Übertreffung des Benchmarks

In Benchmark-Tests vom Mai 2026 schnitt Webwright außergewöhnlich gut ab:

Online-Mind2Web: Webwright auf Basis von GPT-5.4 erreichte innerhalb eines Budgets von 100 Schritten eine Genauigkeit von 86,67 % und zählte damit zu den besten Open-Source-Lösungen.

Odysseys (Langkettenaufgaben): Bei komplexen Anweisungen mit durchschnittlich 272 Wörtern erzielte Webwright + GPT-5.4 eine Trefferquote von 60,1 % – eine Steigerung um etwa 81,5 % im Vergleich zum Basis-GPT-5.4 (33,5 %) – und übertraf damit den Spitzenreiter der Rangliste vom April, Opus4.6 (44,5 %).

Feedback aus der Branche

Das Aufkommen von Webwright unterstreicht einen wichtigen Trend: Mit der Verbesserung der Programmierfähigkeiten der Modelle verlagern sich Agenten zunehmend in Richtung eines „Entwicklerparadigmas“. Indem Webwright den Browser nicht nur als interaktive Schnittstelle, sondern als programmierbaren Endpunkt behandelt, hebt es die Effizienz und Robustheit der Ausführung von KI-Webaufgaben erfolgreich auf ein neues Niveau.

Für Entwickler ist Webwright nicht nur ein Agent-Framework – es ist ein „Supermitarbeiter“, der Automatisierungsskripte automatisch schreiben, pflegen und verpacken kann. Das Projekt ist nun als Open Source auf GitHub verfügbar.