AI 控制浏览器的四种方案：插件 / Playwright / CDP / Browser Use

Soulock
2026年06月22日
- 工具分享

“AI 控制浏览器”目前有四类方案，权限差异非常大。做爬虫 / 自动化 / Agent 时选错方案会撞墙——比如插件方案下想调试 JS 是不可能的。

权限矩阵

方案	操作 DOM	读 DOM	执行 JS	调试 JS	Chrome DevTools 全权限	保留登录态
Chrome 扩展	✅	✅	✅	❌	❌	✅
Playwright / Puppeteer	✅	✅	✅	部分	❌	需配置
Chrome DevTools Protocol (CDP)	✅	✅	✅	✅	✅	✅
Browser Use / Open Operator	✅	✅	✅	部分	部分	✅

方案一：Chrome 扩展

适合：日常使用中的 AI 助手（Sider、Harpa、Monica 等）、需要长期挂在浏览器里的工具。

做法：写一个 Chrome/Edge 扩展，通过 content script 读写 DOM：

// content.js
document.querySelector("input.search").value = "hello";
document.querySelector("button.submit").click();

或者用扩展 API 拿到当前 tab 的 DOM 快照喂给 LLM：

chrome.tabs.sendMessage(tabId, { type: "getDOM" }, response => {
  callLLM(response.html);
});

局限：

无法调试 JS（没 DevTools 权限）
无法访问 Network / Sources / Performance
某些反爬网站可能识别扩展环境

方案二：Playwright / Puppeteer

适合：爬虫、自动化测试、CI 里跑的一次性任务。

from playwright.sync_api import sync_playwright

with sync_playwright() as p:
    browser = p.chromium.launch(headless=False)
    page = browser.new_page()
    page.goto("https://example.com")

    # 读 DOM
    html = page.content()

    # 执行 JS
    result = page.evaluate("() => document.title")

    # 点击
    page.click("button.submit")

配合 LLM：Playwright 抓页面 → 传 DOM 给模型 → 模型返回下一步操作 → Playwright 执行。

局限：

每次启动是全新 profile，没登录态（除非 launch_persistent_context）
反自动化检测（Cloudflare、Datadome 之类）会挂
网站升级 selector 就崩

有个绕检测的插件叫 playwright-stealth，能过大多数入门反爬。

方案三：Chrome DevTools Protocol（权限最高）

适合：需要完整 DevTools 能力的场景——JS 调试、Network 拦截、Performance profiling、逆向分析。

先以 debug 模式启动 Chrome：

chrome.exe --remote-debugging-port=9222 --user-data-dir="D:\chrome-cdp"

然后 Playwright 连过去（这里 Playwright 是 CDP 的高层封装）：

browser = p.chromium.connect_over_cdp("http://127.0.0.1:9222")

或者直接用底层 CDP：

from pychrome import Browser
b = Browser(url="http://127.0.0.1:9222")
tab = b.list_tab()[0]
tab.start()
tab.Runtime.evaluate(expression="document.title")

# 拦截 Network
tab.Network.enable()
tab.call_method("Fetch.enable")

# 设置断点
tab.Debugger.enable()
tab.Debugger.setBreakpointByUrl(url=".../app.js", lineNumber=100)

能力和你按 F12 一样。

方案四：Browser Use / Open Operator 类项目

近一两年新出的一批”给 LLM 用的浏览器 SDK”——比如 browser-use、Anthropic 的 Computer Use、OpenAI Operator：

from browser_use import Agent
from langchain_openai import ChatOpenAI

agent = Agent(
    task="打开 GitHub 搜索 langchain 项目的最新 star 数",
    llm=ChatOpenAI(model="gpt-4o"),
)
result = agent.run()

这类 SDK 帮你封装好：

页面截图 + 元素编号
Vision 模型选元素
Playwright 执行操作
失败自动重试

写业务代码不用管 selector，直接说自然语言。代价：慢（每步 LLM 调用）、贵（大量 vision token）、有时候错。

怎么选

场景	推荐
用户浏览时给 AI 助手能力	Chrome 扩展
定时任务 / CI 里跑	Playwright
需要 JS 断点、Network 拦截、逆向	CDP
想让 LLM 自主完成复杂多步任务	Browser Use 类
反爬严的网站	CDP + stealth + 真实 profile

一句话总结

日常插件、爬虫 Playwright、逆向调试 CDP、Agent 用 Browser Use——四种方案权限从低到高，按需要选。CDP 是”能上 F12 就能做的一切”的上限。