• Soulock
• 2026年06月22日
• • 工具分享

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

"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_playwrightwith 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 ChatOpenAIagent = 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。