这是一个创建于 168 天前的主题，其中的信息可能已经有所发展或是发生改变。
自己的玩具项目，增加了查看网页、搜索功能。
但是现在遇到一个问题，如果我想更进一步，对网页的元素进行控制，比如自动操作 dom ，实现自动化操作，这个怎么做到呢，感觉仅仅通过 LLM 做不到
 |
1
mkroen 2025 年 8 月 4 日
|
 |
2
connecting OP @mkroen 原理好像有点复杂 嗨，想自己搓一个轮子练习一下，有没有比较简单的方式呢
|
|
3
connecting OP @mkroen 因为我这边实现的目标也是不同的，我是通过修改 chromium c++实现的，目标是会调用浏览器可以进行人工干预等功能。
|
 |
4
skallz 2025 年 8 月 4 日
我记得之前就有 ai rpa 了，做的事情就和你说的一样，但是个人感觉不是特别靠谱，ai 有幻觉，网站语义化做的也不一定很好，两个不稳定因素相加就更不稳定了
|
|
5
connecting OP @skallz 通过 llm 语义，我也感觉有点牵强。好奇，browser-use 它靠什么保证正确呢。。
|
 |
6
moefishtang 2025 年 8 月 4 日
ChatGPT 最近出的 agent 功能好像就是干这个的
|
 |
7
maocat 2025 年 8 月 4 日 via Android
playwright/mcp
|
 |
8
blubzz 2025 年 8 月 4 日
还是依赖大模型本身的能力
可以看这个 https://github.com/hangwin/mcp-chrome/blob/master/README_zh.md |
 |
9
datadump 2025 年 8 月 4 日
|
|
10
connecting OP 感谢各位大佬推荐，回头好好研究下。
突然有个想法，是不是一定得通过视觉才能保证通用性呢。文字和语义毕竟和最终的 ui 有很大的不同。 |
 |
11
zheermao 2025 年 8 月 4 日
自己做推荐微软的 OmniParser, 思路是直接检测视觉元素, 转成文本描述给 LLM, 感觉是更通用的方案, 但是也很吃 LLM 本身的能力
|
 |
12
feiniu 2025 年 8 月 4 日
browser-use 不能保证操作的准确性；特别是当页面比较复杂的时候，准确率很低
|
 |
13
hidemyself 2025 年 8 月 4 日
Midscene
|
|
14
connecting OP @feiniu 懂了，没有银弹
|
|
15
connecting OP @maocat Playwright MCP 介绍里面有句话：
“Fast and lightweight. Uses Playwright's accessibility tree, not pixel-based input.” 这个应该是个好的思路。利用 accessibility 的功能来降低难度。 |
 |
16
pota 2025 年 8 月 4 日
https://github.com/hangwin/mcp-chrome 这个插件的功能可以，但是具体的还是得看 llm 本身了
|
 |
17
hafuhafu 2025 年 8 月 4 日
MCP Puppeteer 或者 Playwright 。
我用 Cheery Studio 玩过，大概就是可以自动填表单或者开网页之类的自动化操作，不过那会儿 Cheery Studio 刚上相关功能，有点 bug 就没继续玩了。 |
 |
18
konakona 2025 年 8 月 4 日
可以尝试用 LLM 写 cypress.io （或其他 simulator driver ，具体一点就是 playwright ）感觉可行一些。
|
 |
19
kamilic 2025 年 8 月 4 日
最近在调研一个叫 nanobrowser 的玩意儿，应该是你要的吧
|
 |
20
Sylphiette 2025 年 8 月 4 日  1
|
|
21
connecting OP @Heimo 感谢提供信息，我今晚就试试你说的这个 aria 树，看能不能搞个低配版的出来看看效果
|
Select Language