Agent友好的浏览器操控术

下面按“**通用浏览器自动化库**”和“**更贴近 Agent（LLM）操作浏览器的封装/环境**”两类整理一些**开源**选择，并附上适用场景建议。 ## 1) 通用、成熟的开源浏览器自动化库（Agent 常用底座） ### **Playwright（推荐作为 Agent 底座）** - **语言**：Node.js / Python / Java / .NET - **特点**：跨 Chromium/Firefox/WebKit；等待与并发更友好；定位能力强（text/role/aria 等）；支持 **trace、视频、HAR**。 - **对 Agent 友好点**： - 可拿到 DOM、可做截图（视觉 agent）、可通过 **ARIA/role** 提升稳定定位（比纯 CSS 更稳）。 - **常见用法**：网页任务自动化、Agent 工具调用、端到端流程。 ### **Selenium（生态最大）** - **语言**：几乎全覆盖（Python/Java/C#/JS/…） - **特点**：基于 WebDriver 标准；对各种浏览器/企业环境兼容性强。 - **对 Agent 友好点**：成熟、资料多；但在现代 SPA、等待/稳定性上通常不如 Playwright 省心。 ### **Puppeteer** - **语言**：Node.js（也有社区 Python 版，但主力是 Node） - **特点**：Chromium/Chrome 优先，走 CDP；上手快。 - **对 Agent 友好点**：控制 Chrome 非常直接；但跨浏览器能力弱于 Playwright。 ### **WebdriverIO（基于 WebDriver 的 Node 框架）** - **特点**：插件/生态丰富，适合 Node 技术栈；能对接 Selenium Grid 等。 - **对 Agent 友好点**：如果你的 Agent 运行在 Node 且要复用 WebDriver 基建，这是不错的选择。 ### **Robot Framework + SeleniumLibrary（偏 RPA/测试编排）** - **特点**：关键字驱动，适合把“浏览器操作”包装成可读性强的流程。 - **对 Agent 友好点**：Agent 生成/修改关键字脚本，比直接写代码更可控（取决于团队偏好）。 --- ## 2) 更贴近“Agent 操作浏览器”的开源封装/环境（更高层的动作抽象） > 这类通常在 Playwright/Selenium 之上，提供：**更高层动作（点击/输入/找元素）**、**页面状态提取（DOM/可访问性树/截图）**、甚至**为 LLM 准备的工具接口**。 ### **browser-use（Python，常被用来做 LLM Web Agent）** - **定位**：给 LLM/Agent 一个“能理解网页并执行动作”的封装（底层多用 Playwright）。 - **优势**：更贴近“让模型自己浏览网页”的用法（自动提取页面信息、生成可执行动作）。 - **注意**：这类项目迭代快，稳定性/反爬对抗要看具体版本与站点。 ### **WebArena / BrowserGym（研究/评测与训练环境，开源）** - **定位**：为“网页任务型 Agent”提供标准化环境/任务/评测（通常配套浏览器控制脚本）。 - **优势**：如果你做的是 **Agent 能力评测、训练、benchmark**，它们很合适。 - **注意**：更偏研究与环境构建，不一定直接等同于生产级 RPA。 ### **LangChain / LlamaIndex 等的浏览器工具封装（多为开源组件）** - **定位**：把 Playwright/Selenium 包成 Tool（如“navigate / click / extract”）给 Agent 调用。 - **优势**：你已经在用这些 Agent 框架时，上手快、可组合其它工具（搜索、数据库、API 等）。 - **注意**：不同版本/组件质量差异较大；很多仍是“薄封装”，核心稳定性仍取决于 Playwright/Selenium。 --- ## 3) 更底层：直接走 Chrome DevTools Protocol（CDP） 如果你要“**更细粒度**”控制（网络拦截、性能、覆盖率、模拟设备等），可以直接用 CDP 客户端库： - **chrome-remote-interface（Node）** - **pychrome（Python）** - 以及 Playwright/Puppeteer 本身也大量基于 CDP 能力（一般不需要自己再封一层） --- ## 4) 选型建议（面向 Agent） - **想要稳、通用、易并发**：优先 **Playwright**（再按需封装成 Agent 的工具层）。 - **已有 Selenium 基建/企业浏览器兼容要求强**：选 **Selenium/WebDriver**。 - **只盯 Chrome、想走 CDP、Node 栈**：选 **Puppeteer** 或直接 CDP。 - **想要“开箱即用的 LLM 浏览器 Agent”体验**：看 **browser-use** 这类高层封装（但要预期维护成本/站点适配）。 ---