ax：Hono 作者新作，给 AI Agent 用的”AI 时代 curl”

编码 Agent 抓网页时的典型一幕是：现场写一段 Python，用一堆正则去解析 HTML，既烧 token，又一旦页面改版就全部失效。ax 是 Hono 作者 Yusuke Wada 的新作，自我定位”AI-era curl”，想用一条命令替代 curl + 一次性 Python 脚本。本文基于其官网公布的实测数据，分析它到底省在哪、benchmark 又该怎么读。

一、背景：Agent 抓页面的隐性 token 成本

Koala 点出了问题本质：智能体抓网页时经常现写正则脚本，既费 token 又脆弱。ax 官网首页直接贴了一段”真实 Agent 会话”的对照——左边是 Agent 现场写的 Python 正则（耗时 3 分 19 秒、消耗 8.6K token），右边是一行 ax 命令直接输出结构化表格。它要消灭的，正是”每次任务都现写、现调、现 debug 选择器”的这笔重复成本。

二、它是什么：fetch / discover / extract 三合一

ax 把本地 HTTP 与 HTML I/O 收敛成一个命令，分三类能力：

• fetch（抓取）：类似 curl，但每个请求都产出结构化报告而非静默失败——返回里带 status、ok、ms（耗时毫秒）、headers、body；
• discover（探索）：不把原始 HTML 整个塞进上下文，而是先摸清页面结构——--outline 列出选择器分布、--locate 定位文本、--count 计数；
• extract（提取）：用 CSS 选择器抽结构化行，--row 'title=a, href=a@href' 一次取多字段，--table --where 'Stars > 100' 做表格过滤，--md --budget 800 把文档转成 markdown 并设 token 预算。

关键设计哲学是：用 CSS 选择器这种”页面改版后可被模型修复的抽象”，取代脆弱的正则。选择器比正则好修——这是 Koala 也认可的聪明之处。

三、为什么”对 Agent 友好”

ax 有几个专门为模型使用而做的设计：

• 默认有上限（capped by default）、绝不静默（never silent）：输出带 ax: note: 50 rows extracted, no empty fields 这类提示，避免 Agent 误以为抓到了数据；
• ax agent-context：离线打印完整手册，Agent 跑一次就学会怎么用，不用每次重新翻文档；
• 可作为 skill 安装：npx skills add yusukebe/ax，让能力固化下来；
• 安装方式齐全：一键脚本、Homebrew（brew install yusukebe/tap/ax）、Nix（nix run github:yusukebe/ax）、源码（bun 构建）。许可证 MIT。

四、关键数据：官方 benchmark 怎么读

官网给出了四项基于 Claude Opus 4.8 的实测（已核实原文）：

Koala 在周报里只提了”部分场景成本降低 65%“，对照原文必须打几个折扣：

1. 最佳场景才 −67%，真实公网中位数只有 −23%：最亮眼的数字来自”正则注定会崩”的人造漂移场景，那正是 ax 最占优的情况；放到真实随机网页，收益明显收窄到两成多；
2. “中位数 of 3 runs”：样本极小，方差大，作者自己也注明”Method, prompts, variance notes and the failed runs — in the repo”，即有失败运行未计入主榜；
3. 后三行假设 Agent 已会用 ax：最后一行专门测”第一次用”，把读手册成本算进去后仍省 58%——这反而是对新用户更诚实的数字；
4. 评测方就是作者本人：虽然作者把方法、提示词、失败运行都放进了仓库可供复核，但仍是厂商自测，缺第三方独立复现。

五、适用 / 不适用场景

适合：

• 高频让 Agent 抓网页、做结构化抽取的自动化流水线；
• 受够了每次现写正则、页面一改全崩的团队；
• 想把”抓网页”标准化成一个可被 Agent 学会并复用的工具。

不适合：

• 只是偶尔手动 curl 一下接口的人（curl 足够）；
• 需要渲染 JS、处理反爬、登录态的重度抓取（ax 定位是本地 HTTP/HTML I/O，不是爬虫框架）；
• 期待它在任意网页都省六成成本——真实中位数约两成。

六、客观分析：优势与局限

优势：

1. 切中真实痛点：把 Agent 反复现写正则的隐性成本显性化、工具化；
2. CSS 选择器比正则可维护：页面改版后模型修一条选择器远比修一堆正则容易；
3. 输出为 token 优化：默认截断、预算上限、非静默提示，工程细节到位；
4. 作者有 Hono 这样的成功作品与社区号召力，生态起步快。

局限：

1. 收益高度依赖场景：人造漂移场景 −67%，真实公网中位数仅 −23%，别把最佳数字当普遍预期；
2. 不渲染 JS、不处理反爬：对现代动态站能力有限；
3. 厂商自测、样本小：缺独立复现；
4. 又一个需要 Agent”学会”的工具，学习成本虽被压到很低，但并非零。

七、它意味着什么

ax 是”给 Agent 造工具”这股浪潮里一个很有代表性的样本。它的聪明不在技术多高深，而在于把一个过去靠模型临场发挥的肮脏活，固化成一个输出为 token 预算优化的专用命令。作者在开发者工具上的品味确实在线——不做黑盒抓取，而是暴露选择器这种可修复的抽象，让模型出错后能自己救回来。对已经在搭 Agent 工作流的人，它值得进工具箱；但选型时请认准官网那张表里最不起眼的那一行——真实公网中位数 −23%，那才是你日常会遇到的省幅。

参考来源

• ax 官网
• Koala 项目库条目