ai官小西

Browser Harness：自愈合 CDP 线束，重写 AI 代理与浏览器交互的规则

LLM 与浏览器交互工具的格局正在快速演变。过去一年里，我们从把 Playwright 脚本包在 agent.run() 里，走到了原生 CDP 协议的命令行工具。但 Browser Harness——Browser Use 团队最新开源的 CDP 线束——不是又一个工具堆叠。它代表的是一种根本不同的理念：关于代理与浏览器应该如何交互。

让我们来看看 Browser Harness 究竟是什么，它跟我们已经在使用的工具（agent-browser、Browser Use 的 Python 库、Hermes 的内置浏览器工具）有何异同，以及它的设计决策为何值得关注。

Browser Harness 是什么？

Browser Harness 是一个极薄的 Python 线束（src/browser_harness/ 中约 592 行核心代码 + 约 391 行辅助函数），通过单条 CDP websocket 将 LLM 直接连接到用户真实运行中的 Chrome 浏览器。其架构简到极致：

Chrome / Browser Use cloud -> CDP WS -> browser_harness.daemon -> Unix socket -> browser-harness

没有 Playwright。没有 Puppeteer。没有抽象层。每次请求一行 JSON。Daemon 负责会话管理、Chrome 发现和远程浏览器配置——其余一切以纯 Python 运行，你（或你的代理）可以直接阅读和修改。

使用方式非常简单：

browser-harness -c '
new_tab("https://docs.browser-use.com")
wait_for_load()
print(page_info())
'

但这个工具真正的创新不在于语法，而在于哲学。

自愈合线束：会自己写工具的代理

这是 Browser Harness 最醒目的特性，也是它区别于我使用过的所有其他浏览器自动化工具的地方。

当使用 Browser Harness 的代理遇到无法用现有辅助函数完成的任务时，它不会失败也不会向人类求助。它会把缺失的代码写到 agent-workspace/agent_helpers.py 中，下一次 browser-harness 调用立即生效。每一次运行，线束都在自我改进。

  ● 代理：需要上传一个文件
  │
  ● agent-workspace/agent_helpers.py → 辅助函数缺失
  │
  ● 代理当场编写                          agent_helpers.py
  │                                               + 自定义辅助函数
  ✓ 文件上传成功

这是一种递归引导的过程。代理从自己的失败中学习。想象一下大规模场景：一千个代理访问一千个网站，各自将发现的模式贡献回共享仓库。集体智慧不断累积。

这也是**领域技能（Domain Skills）**的意义。仓库中的 agent-workspace/domain-skills/ 目录是一个不断增长的站点专用知识库——URL 模式、稳定选择器、私有 API 端点、框架怪癖、需要避开的陷阱。README 明确写道："技能由线束编写，不是你。"代理生成它们，人类通过 PR 审核和合并。

这就将浏览器自动化从一个静态工具变成了活的知识库。每一个访问过某个网站的代理，都为下一个代理留下了更好的文档。

坐标点击理念

另一个引人注目的设计决策：Browser Harness 默认使用坐标点击而不是选择器交互。

工作流程是：

  1. 截图（capture_screenshot()）
  2. 从图像中读取像素坐标
  3. 在坐标处点击（click_at_xy(x, y)）
  4. 再次截图验证

理由是 Input.dispatchMouseEvent 会在合成器层面穿透 iframe、Shadow DOM 和跨域边界——基于选择器的方式做不到。只有当目标没有可见几何形状时才下降到 DOM 操作。

这是正确的做法吗？取决于你的场景。对于页面结构未知的一次性探索任务，像素交互比选择器狩猎更快更可靠。对于重复的生产级自动化，选择器通常更好——但 Browser Harness 代理可以随时间学习稳定选择器，并将其归档为领域技能。

工具对比

现在把 Browser Harness 和我们大多数人已经在用的工具做一个横向对比。

Browser Harness vs. agent-browser

维度 Browser Harness agent-browser
语言 Python（约 592+391 行） Rust（原生 CLI）
安装 git clone + uv tool install -e . npm i -g agent-browser && agent-browser install
浏览器模型 连接到用户正在运行的 Chrome 生成/管理自己的 Chrome，或通过 CDP 连接
交互模型 坐标点击优先；Python 单行代码 无障碍树快照 + @eN 元素引用
自愈合 是——代理运行时编写缺失的辅助函数 否
领域技能 是——不断增长的站点专用知识库 否
Electron 应用 否 是——专用支持 VS Code、Slack、Discord
认证保险库 否 是——持久化认证状态
视频录制 否 是

判断：agent-browser 是一个精致的、生产级别的代理浏览器交互 CLI。它快速（Rust）、经过大量测试，且有对 Electron 应用的专用支持。Browser Harness 更像一个实验平台——它押注于不同的交互哲学（坐标点击 + 自愈合），并被设计为通过代理贡献来演进。

Browser Harness vs. Browser Use（Python 库）

这个对比很有意思，因为两者来自同一个组织。

维度 Browser Harness Browser Use（Python 库）
层级 薄 CDP 线束 全栈 AI 代理框架
浏览器模型 用户真实 Chrome（或云端） Playwright 管理的 Chromium
LLM 集成 无——代理像调其他 CLI 一样调 browser-harness 内置 LLM 编排（Agent, ChatOpenAI, ChatOllama）
抽象程度 极低——必要时直调原始 CDP BrowserProfile, max_steps, 结构化输出
安装复杂度 Chrome remote-debugging 开关 + uv tool install Playwright Chromium + 代理配置 + LLM provider
代理陷阱 少（没有 Playwright 内部的 CDP 路由问题） 多（CDP 走代理、ALL_PROXY 干扰等）
用例 代理控制的真实浏览器探索 自主 AI 驱动的任务完成

判断：Browser Use 库是为"我想让 AI 在 headless 浏览器中自主完成这个任务"准备的。Browser Harness 是为"我想让我的代理控制我的真实浏览器，并且我想让它边用边学"准备的。它们是互补关系，而不是竞争关系。

Browser Harness vs. Hermes 内置浏览器工具

Hermes Agent 内置了浏览器工具（browser_navigate、browser_snapshot、browser_click、browser_vision 等），通过工具调用接口暴露 CDP 功能。这些工具深度集成——Hermes 模型在上下文中直接看到快照并决定动作。

维度 Browser Harness Hermes 内置浏览器
集成方式 外部 CLI，通过 terminal 调用 模型上下文中的一等工具调用
快照格式 截图（主要）+ page_info() 无障碍树 + @eN 引用
自愈合 是——将辅助函数写入磁盘 否
持久化 领域技能仓库 Memory 工具保存事实，Skills 保存工作流
模型透明度 不透明——模型只能看到输出 内联——快照在上下文窗口中可见
并行 多个 daemon 通过 BU_NAME 单会话

判断：Hermes 内置浏览器工具是集成度最高的选项——模型直接在页面结构上进行推理。Browser Harness 更像是代理手持的外部仪器，关键优势在于可以在运行时修改。

代理线束的苦涩教训

Browser Harness 的 README 链接到一篇题为 "The Bitter Lesson of Agent Harnesses" 的博客文章，呼应了 Rich Sutton 著名论文的核心思想：我们为代理构建的硬编码抽象最终会成为它们的约束。能存活下来的线束不是功能最全的那个——而是让代理能重写自己规则的那个。

这是核心洞见。Playwright、Puppeteer，甚至无障碍树快照，都对浏览器应该如何交互做了假设。Browser Harness 几乎不做任何假设。它给代理原始 CDP、一个截图函数和一个可以编辑的 Python 文件。其余一切靠自己发现。

什么时候用哪个

在深入使用这些工具之后，给出个人的决策矩阵：

用 Browser Harness，当：

  • 你正在做探索性、一次性的浏览器任务，页面结构未知
  • 你希望代理跨会话相互学习
  • 你接受坐标点击交互和截图验证
  • 你想要一个每次使用都会自我改进的工具

用 agent-browser，当：

  • 你需要经过实战检验、快速的 Rust CLI
  • 你在操作 Electron 应用（VS Code、Slack、Discord）
  • 你需要无障碍树快照和持久化认证状态
  • 你喜欢带元素引用的选择器交互

用 Browser Use（Python 库），当：

  • 你需要 AI 在 headless Chromium 中自主完成任务
  • 你想要结构化输出和步骤限制
  • 你愿意管理 Playwright 依赖和代理配置

用 Hermes 内置浏览器工具，当：

  • 你已经在 Hermes 中，想要紧密集成
  • 你希望模型直接在页面结构上推理
  • 你不需要任何外部设置——开箱即用

结语

Browser Harness 不是功能最丰富的工具，不是最稳定的，也不是最好上手的。但它是理念上最有趣的那个。它的赌注是：最好的浏览器线束是那个不挡代理路的——给它原始访问权限、一个安全的扩展空间、以及一种把学到的知识贡献回集体的方式。

这个赌注是否成立取决于围绕它的代理（和人类）社区。但首月就有 9000 颗 GitHub 星标和 239 次提交，说明某些东西正在引起共鸣。

下次你的代理被某个网站卡住时，问问自己：它应该向你求助，还是应该自己写辅助函数？

所有代码示例和架构细节截至 2026 年 5 月。Browser Harness 仓库：github.com/browser-use/browser-harness。