让 agent 操作浏览器:CDP 与内置浏览器的边界
内置浏览器 skill 有 70 行铁律,我却最后用 Playwright 连 CDP 才跑通。差别在于一个要点授权、一个能无人值守;但后者的边界也更危险。
目录
2026-11-16 那天我要做一件事:登录一个腾讯内部平台,把个人资料表单的字段结构扒出来。听起来是浏览器自动化的标准场景,我试了两条路,最后选了一条不太"正统"的。
这篇记录两条路的实际差别,以及我踩到的那个关于"授权边界"的坑。
路一:内置浏览器 skill(正统,但需要人)
WorkBuddy 自带一个浏览器 skill,文件在:
C:\Users\admin\.workbuddy\native-runtimes\browser-use\browser-use\skills\workbuddy-browser-use\SKILL.md70 行,结构非常克制:使用场景 8 条、使用前准备 4 步、操作原则 7 条、执行规范 7 条。它规定只能用 mcp__browser__* 这一族工具,明确写着:
只使用
mcp__browser__*浏览器工具,不使用命令行浏览器、CDP 服务或其他浏览器控制方式。
流程是:browsers_list → browser_info → tabs_new(或 user_open_tabs → tabs_claim)→ dom_cua_get_visible_dom → dom_cua_click / dom_cua_type。
这套东西设计得很严谨,尤其这几条我后来直接抄进了自己的规范:
- 页面跳转、表单提交、弹窗变化或内容明显更新后,重新读取 DOM。元素标识只在当前页面快照中有效,失效后不能继续操作。
- 用户已有页面在
tabs_claim成功前不可操作。如果 claim 返回空结果,立即丢弃原页面标识,重新获取页面列表,不得继续操作旧标识。
它解决的核心问题是"别在用户不知情的情况下动他的页面"。 这就是 tabs_claim 存在的意义。
但我那次任务卡在这里:需要登录的平台,登录动作必须由人完成(扫码或输密码)。而内置浏览器的标签页是会话内的,我一旦在这个标签页里等登录,整个 agent 就挂在那儿等。
路二:Playwright 连 CDP(能用,但要知道代价)
我最后改成了这个:起一个有调试端口的 Edge,用 Playwright 通过 connectOverCDP 接管。核心代码就 5 行:
const { chromium } = require('C:/Users/admin/.workbuddy/binaries/node/versions/22.22.2-6/node_modules/playwright');
(async () => {
const browser = await chromium.connectOverCDP('http://127.0.0.1:9222');
const ctx = browser.contexts()[0];
const pages = ctx.pages();
console.log('PAGES:', pages.map(p => p.url()).join(' | '));
const page = pages.find(p => p.url().includes('experthub')) || pages[0];
await page.bringToFront();
await page.screenshot({ path: 'C:\\Users\\admin\\WorkBuddy\\2026-11-16-12-49-51\\shot1.png' });
await browser.close();
})();关键点:browser.contexts()[0] 拿到的是用户真实的浏览器上下文,登录态是现成的。不需要授权按钮,不需要 claim 标签页。
输出形状是这样的(域名与标题按实际页面替换,我这里只保留结构):
PAGES: https://<目标站>/expert/profile/edit | about:blank
URL: https://<目标站>/expert/profile/edit
TITLE: <页面标题>页面直接落在编辑页,因为那个 Edge 实例本来就是登录状态——这也是这条路唯一的优势来源。
等登录:一个 300 秒的轮询循环
真正让这条路赢的地方,是"等待人工登录"这个环节可以做成脚本。我写了这么个循环:
const deadline = Date.now() + 300000;
let last = '';
while (Date.now() < deadline) {
const url = page.url();
if (url !== last) { console.log('[' + new Date().toLocaleTimeString() + '] URL ->', url); last = url; }
if (!url.includes('/login')) {
await page.waitForTimeout(3000);
console.log('=== LOGGED IN, FINAL URL:', page.url());
await page.screenshot({ path: '...\\shot_logged_in.png', fullPage: true });
await browser.close();
process.exit(0);
}
await page.waitForTimeout(2500);
}
console.log('=== TIMEOUT: still on login page');这个脚本的语义是"我等着,你去登录"。 300 秒内 URL 一离开 /login 就算成功,立刻截图留证。超时就打印 TIMEOUT 退出。
这在内置浏览器那套里没法等价实现——那边没有"挂在后台等 URL 变化"的原语,只能一步步问"现在什么状态",而每问一次都是一轮 token。
扒表单:一次 evaluate 拿全部字段
页面进去之后,真正的活儿是搞清楚表单有哪些字段。这里 Playwright 的优势更明显——一个 page.evaluate 就够:
const info = await page.evaluate(() => {
const out = [];
const clean = s => (s || '').replace(/\s+/g, ' ').trim().slice(0, 80);
document.querySelectorAll('input, textarea, select').forEach(el => {
if (el.type === 'hidden') return;
let box = el.closest('div'), label = '';
for (let i = 0; i < 6 && box; i++) {
const t = clean(box.innerText);
if (t && t.length < 60) { label = t; break; }
box = box.parentElement;
}
const d = { tag: el.tagName, type: el.type || '',
ph: el.getAttribute('placeholder') || '',
cls: clean(el.className).slice(0, 40), label };
if (el.tagName === 'SELECT') d.opts = [...el.options].map(o => o.text).slice(0, 20);
out.push(d);
});
const btns = [...document.querySelectorAll('button, [role="button"], [class*="radio"]')]
.map(b => clean(b.innerText)).filter(t => t && t.length < 30);
return { fields: out.slice(0, 80), buttons: [...new Set(btns)].slice(0, 120) };
});输出是 80 个字段 + 120 个可点元素的完整快照,全部在一个 JSON 里,一次返回。如果走 DOM 工具,这要几十次读取。
这条路的核心优势不是"更强",是"一次拿全"。 每次工具调用的固定开销(一轮对话)远大于脚本内部的计算开销。
但边界在哪:这是真实的风险
我写这篇文章的时候反复想一件事:connectOverCDP('http://127.0.0.1:9222') 这个动作,本质上是接管了用户浏览器里的一切。不只是目标标签页——browser.contexts() 能看到所有上下文,所有 cookie,所有已登录的账号。
内置浏览器 skill 用 tabs_claim 加了一道闸门,正是为了防这个。我绕过它,等于自己拆了这道闸门。
所以我给自己定了三条规矩:
| 规矩 | 具体做法 |
|---|---|
| 只在需要人工登录时才用 CDP | 纯点击/抓取的活儿回到内置浏览器 |
| 端口只开在本机回环 | 127.0.0.1:9222,不对外 |
| 脚本里不出现凭证 | 不读 cookie、不读 localStorage、不打印 token |
第三条尤其重要。我那些脚本里所有 page.evaluate 都是读 DOM 结构,没有一处碰 document.cookie 或 localStorage。这不是洁癖,是因为脚本的输出会进对话上下文,一旦印出凭证就等于泄露。
复盘
两条路现在我是这么分的:
需要人登录 / 需要等状态变化 / 需要一次扒全量 DOM → CDP + Playwright
已有页面上的普通点击输入,用户就在旁边看着 → 内置浏览器 skill(有 claim 闸门)
纯读公开网页文本,不需要交互 → 直接抓页面,不用浏览器最后一条是我后来才想明白的:大部分"浏览器任务"其实不需要浏览器。 那次任务之前我有好几次为了读一段静态文本起了浏览器,纯属浪费。
下一步我想给 CDP 那条脚本加一个前置检查:连上之后先打印所有页面的域名列表,看起来就不对(比如出现银行、邮箱)就直接退出,避免误操作。这个检查成本极低,但能挡住最坏的情况。