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
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 34 天前
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 34 天前
ChatGPT 最近出的 agent 功能好像就是干这个的
|
![]() |
7
maocat 34 天前 via Android
playwright/mcp
|
![]() |
8
blubzz 34 天前
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
wjx0912 34 天前
|
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 34 天前
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 33 天前
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 33 天前
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 33 天前
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 33 天前
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 33 天前
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 33 天前
最近在调研一个叫 nanobrowser 的玩意儿,应该是你要的吧
|
![]() |
20
Heimo 33 天前 ![]() |
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
|