这是一个创建于 159 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