Concitech AI · 深度长文

2026/10/30 06:42

AI 浏览器自动化选型:八条技术路线与一套工程架构

Playwright、OpenCLI、Ego Lite、Stagehand 与云浏览器承担不同职责。本文介绍八条自动化路线,拆解决策、工具、运行时、基础设施与结果校验,解释登录态、快照引用、WebMCP、重试和成本评估,并给出订单采集任务的工程示例。

一个订单导出任务,包含登录、日期筛选、分页、字段提取和文件生成。Agent 的演示视频展示鼠标与按钮,生产系统的验收对象是订单条数、金额、权限和任务记录。

浏览器自动化的工具名单包含 Playwright、OpenCLI、Ego Lite、Browser Use、Stagehand、云浏览器与 WebMCP。它们的职责存在层次差异,选型需要回答几个具体问题:谁决定动作,谁执行动作,登录态属于谁,结果的验收标准是什么?

我的选型主张是:**业务契约定义结果,脚本承担稳定步骤,模型处理页面歧义,执行记录提供验收证据。**各个组件的价值需要业务任务检验。

本文的依据是项目文档、公开仓库与浏览器开发文档,资料核验日期为 2026 年 10 月 29 日。本文包含一项自拟工程示例,性能排名与跨产品实测属于本文的范围之外。

1. 一套架构,五种职责

决策层解释任务、选择动作。工具层暴露导航、读取、填写等操作。浏览器运行时维护页面、登录态和下载。基础设施负责实例生命周期、并发与资源。验收层检查结果,保存证据。

这些层次组成一套系统。Stagehand 的决策与提取能力、MCP 工具接口、云端浏览器实例,具有组合空间。产品名称的并列,缺少互斥选项的含义。

浏览器自动化的职责分层

图:原创职责分层示意。产品具有跨层能力,图中的位置表示主要职责,技术分层属于本文的工程归纳。

“浏览器能运行”与“业务任务正确”具有不同的验收标准。点击成功说明驱动完成一次交互;订单文件的完整性需要字段、数量和业务规则的校验。

2. 八条路线,八类工程问题

八条路线是一张技术地图。表中的“适用任务”属于本文的选型建议,具体性能需要目标系统的测试。

路线 代表项目与资料 主要职责 选型关注点
确定性脚本 Playwright 定位、交互与断言 页面契约、测试与维护
MCP/CLI 工具接口 Playwright MCP、Chrome DevTools MCP Agent 的浏览器工具 工具粒度、上下文与调试能力
扩展与本地桥接 OpenCLI 日常浏览器连接与网站适配器 登录态、扩展权限与会话归属
专用浏览器运行时 Ego Lite、BrowserOS Agent 工作区与浏览器协作 工作区、身份隔离与开源范围
自主决策与混合 SDK Browser Use、Stagehand 页面探索、动作选择与提取 终止条件、模型预算与验证器
云浏览器设施 Steel、Cloudflare Browser Run 实例、会话与生命周期 并发配额、恢复与资源成本
抓取与清洗 Crawl4AI、Firecrawl 页面内容与结构化结果 提取质量、覆盖率与去重
网站原生工具接口 WebMCP 网站业务能力的结构化暴露 浏览器支持、工具契约与授权

脚本的可靠性来自页面契约

Playwright 的定位文档推荐角色、标签与测试标识。getByRole('button', { name: '导出', exact: true }) 表达按钮的语义,getByTestId('orders-export') 表达团队约定的测试契约。CSS 层级属于另一种定位选择。

稳定业务路径适合脚本。页面文案、可访问名称和业务流程的变更,构成脚本的维护成本。脚本驱动的模型推理 Token 成本为零,端到端耗时包含网络、渲染、等待和重试。“固定流程等于毫秒级完成”缺少通用依据。

CDP、MCP 与 CLI 具有不同语义

CDP 是浏览器调试协议;MCP 定义 Agent 的工具交互;CLI 提供命令行入口。MCP 工具的底层实现需要浏览器驱动,CDP 是一种连接方式。

Playwright 的连接文档区分自身协议与 CDP,后者的连接支持对象是 Chromium 系浏览器,功能保真度存在差异。Playwright MCP 的核心页面表示是无障碍快照。Chrome DevTools MCP 提供网络、控制台与性能分析能力。

接口形态影响工程体验。一次完整页面快照带来上下文成本;命令行输出的体积取决于命令设计。CLI 和 MCP 的名称,缺少成本优劣的单独证明能力。

登录态复用需要身份边界

OpenCLI 的桥接文档说明了扩展与本地守护进程的连接方式。网站适配器提供可复用命令,浏览器原语支持页面操作。

登录态复用省去一部分认证流程,权限的归属需要设计。两个任务使用不同标签页,账户权限的隔离需要独立机制。Cookie、存储与浏览器 Profile 的隔离范围,需要具体实现说明。

Ego Lite 的 Space 文档介绍独立工作区与人工接管;Node 辅助运行时提供页面、快照与任务空间接口。BrowserOS neo 的仓库介绍了独立标签页、会话回放与 MCP 连接。这些机制服务于人机协作,账户隔离需要额外核验。

开源范围具有另一层区别。Ego Lite README 的 MIT 声明覆盖仓库内容,浏览器是独立下载件;仓库许可证与整款浏览器的授权范围需要区分。BrowserOS 仓库采用 AGPL-3.0。浏览器存储的本地化与模型推理的数据去向,属于不同问题,云模型调用需要数据流说明。

3. 页面表示决定 Agent 看见什么

原始 HTML 包含脚本、样式、隐藏节点和业务内容。无障碍树突出角色、名称与结构,截图保留视觉布局。三种表示具有不同的信息损耗。

Ego Lite 的快照文档展示了交互元素的临时引用。引用与页面状态有关,导航、弹窗和重渲染具有失效风险。新版运行时具有引用维护机制,具体行为取决于对应版本的契约。

我建议执行器保存页面地址、文档版本与目标元素证据。旧引用的失效需要新快照和目标核验。一次缓存的按钮编号,缺少长期稳定身份的含义。

页面表示的取舍影响任务质量。订单表格适合结构化读取;图表与画布需要视觉证据;模糊按钮需要上下文。快照压缩率与业务信息的完整性属于验收对象。

**WebMCP 改变的是网站能力的表达方式。**网站暴露带参数的工具,Agent 获得业务语义。Chrome 文档标注其状态为 Early Preview,要求相应 Chromium 版本与实验开关;规范属于演进中的社区组草案。

WebMCP 的运行位置是页面客户端,工具注册表属于页面。它与后端 MCP 服务的传输机制存在区别。工具参数的 Schema 检查负责输入形状,身份鉴权与业务授权需要网站服务端执行。

4. 一个订单采集任务的实现

本文示例的任务是:读取指定业务日的订单,生成本地结果文件。输入契约包含账户、业务日期、字段集合与分页上限;输出契约包含订单号、业务日期和金额分值。该示例的金额规则是非负安全整数,退款数据需要另一份业务契约。

Stagehand README 展示 observe、act、extract 与 Schema 的组合;Browser Use 提供 Agent 执行循环。本文的实现建议采用稳定步骤与动态节点的组合,模型的结果进入业务校验器。

任务执行链包含五步:

  1. 账户检查:执行器核对站点、租户与登录用户。
  2. 页面采集:脚本完成筛选与分页,模型处理存在歧义的节点。
  3. 契约校验:校验器检查字段、业务日、重复订单与数量。
  4. 文件生成:执行器写入临时文件,完整性检查决定交付状态。
  5. 记录归档:任务记录保存输入摘要、页面证据、错误与文件校验值。

订单采集任务的执行与验收

图:原创工程示例。模型输出属于候选结果,契约校验与文件检查决定任务状态。

这段 JavaScript 是本文编写的校验示例,输入 rows 来自浏览器采集,expectedCount 来自独立的数量依据,来源可以是相同筛选条件的后台总数。数量的一致性属于必要检查,订单集合的完整性需要独立 ID 清单或业务对账依据。

function validateOrders(rows, day, expectedCount) {
  if (!Array.isArray(rows) || rows.length !== expectedCount)
    throw new Error('订单数量不符');
  const seen = new Set();
  for (const row of rows) {
    if (typeof row.orderId !== 'string' || !row.orderId.trim())
      throw new Error('订单号缺失');
    if (seen.has(row.orderId))
      throw new Error('订单重复');
    if (row.businessDate !== day)
      throw new Error('业务日期不符');
    if (!Number.isSafeInteger(row.amountCents) || row.amountCents < 0)
      throw new Error('金额格式错误');
    seen.add(row.orderId);
  }
  return rows;
}

函数的模拟数据校验覆盖正常记录、重复订单、日期偏移、金额格式和数量缺口。该验证的对象是校验逻辑,真实站点的登录、分页与文件生成需要集成测试。字段类型的正确,缺少业务数值正确的保证。

重试需要任务状态。分页读取失败适合页面状态恢复,文件生成失败适合临时文件清理。外部写入需要幂等标识、状态查询与结果回读。超时描述一次等待的结束,服务端执行状态的核验需要独立证据。

验收失败的结果需要失败状态。点击次数、模型的完成声明、截图中的绿色提示,属于过程证据。

5. 成本评估需要完整任务

云浏览器解决实例与会话问题。Steel提供会话管理、调试界面与自托管路径;Cloudflare Browser Run提供无头浏览器与多种接入方式。任务调度需要考虑并发、超时、实例清理和会话恢复。

内容采集具有不同的交付物。Crawl4AI 和 Firecrawl 提供 Markdown 与结构化提取能力,后者的文档包含交互接口。产品分类表示主要用途,缺少严格的能力分界。

我建议选型试验使用同一组目标任务、相同权限和相同验收标准。成本记录包含模型调用、浏览器资源、重试、人力接管与维护投入;有效交付量采用验收通过的任务数。

指标 记录对象 解释范围
完整任务成功率 验收通过数/尝试数 涵盖失败和接管
完成时长 中位数与 P95 保留长尾任务
有效交付成本 全部成本/验收通过数 包含失败尝试的消耗
恢复质量 页面变更、登录过期和重复执行 检查错误状态与结果污染

固定回归测试适合 Playwright;日常账户操作需要扩展桥接或专用运行时;页面探索需要 Agent 决策;公开内容采集需要提取管线;多实例任务需要云浏览器设施。具体系统具有组合需求。

我的工程判断是:选型的起点是任务契约,验收的终点是业务结果。模型、浏览器和工具接口承担各自职责,结果校验器承担交付判定。

参考资料

  1. 控制与接口:Playwright 定位、CDP 连接、Playwright MCP、Chrome DevTools MCP。
  2. 本地运行环境:OpenCLI、Ego Lite、BrowserOS。
  3. 决策与基础设施:Browser Use、Stagehand、Steel、Cloudflare Browser Run。
  4. 数据与网站接口:Crawl4AI、Firecrawl、WebMCP 开发文档。
  5. 选题线索:浏览器自动化路线讨论。产品事实采用上述项目资料,架构与校验代码为本文的工程示例。
微信搜一搜:智简 Smart&Concise 公众号二维码

关注公众号

智简 Smart&Concise

微信搜一搜,获取独立开发与 AI 实践更新。