AI 控制浏览器

AI 控制浏览器，分三层看

我最近研究了"AI 控制浏览器"这件事。拆开一看，它至少有三层，市面上相关工具都能套进这个框架。

第一层：浏览器本身。 真正去加载网页、执行 JS 的是浏览器。这一层能做很"物理"的事：改 UA、模拟鼠标轨迹、过验证码——也就是反爬。

第二层：协议层。 外部程序要遥控浏览器，得走协议。最成熟的是 Chrome 的 CDP（Chrome DevTools Protocol），生态最全，本文默认都用它。注意 CDP 是 Chrome 系专属：Firefox 不支持，它用的是另一套叫 WebDriver BiDi 的协议 （Firefox 的实验性 CDP 支持已经在 2025 年彻底移除）。

第三层：怎么让 AI 用上 CDP。 CDP 是底层接口，AI 不能直接跟原始 JSON 打交道，于是这层有几种方案：

• 让 AI 直接用 Playwright 这类自动化库。它把"找到按钮、点一下"翻译成 CDP 消息，省心，但有个问题，见下文。
• Agent Browser（Vercel Labs 出的）专门解决那个问题。AI 控制浏览器最烧 token 的地方，是把页面状态喂给大模型：一个普通页面 HTML 几十万字符，喂一次几万 token。它取巧在两点：第一，喂给 AI 的不是 DOM，而是无障碍树——浏览 器本来就要给读屏软件生成的结构，已经把页面提炼成"按钮""输入框"这类语义元素，等于白捡的降维；第二，快照时给每个元素编短号 @e1、@e2，AI 全程只发 click @e1 这种命令，编号对应哪个真实元素由后台守护进程记着，AI 不必每次 重传整棵树。效果：同样 10 步流程，它约 7k token，Playwright MCP 这类方案要 100k+。

原理归原理，真在自己开发机上用，全是琐碎问题。 最典型一个：AI 开新标签页，标签页直接弹到最顶，把你正在看的页面顶掉。

Ego Lite 就是把这类细节聚合起来的工具：它只做第二层和第三层的事，不做第一层——不做反爬；而且默认就把 Skill 装好了，拿到手就能用。