AI在执行任务途中给自己写工具:browser-harness的设计哲学

多数浏览器自动化框架想解决的问题是”帮人操作浏览器”。browser-harness 想解决的是另一件事：让 AI 在操作浏览器的途中给自己造工具。

592 行代码是一种立场

browser-harness 的全部 Python 代码约 592 行：

• • run.py：36 行，程序入口
• • helpers.py：195 行，初始工具函数集
• • admin.py + daemon.py：361 行，守护进程与协议桥接

Playwright 的核心库是数万行，Selenium 更老也更重，browser-use 主库属于中型规模。

592 行不是赶工出来的，而是刻意为之：只给 AI 一个最小完备的接口，其余部分让 AI 自己补。

run.py 的核心逻辑四行：

def main():
    print_update_banner()
    ensure_daemon()
    exec(sys.stdin.read(), globals())

helpers.py 里的所有函数预导入到 globals()，AI 通过 stdin 传入 Python 脚本，exec 直接执行。没有插件系统，没有工具注册机制，没有回调框架。AI 拿到的是一个有二十多个函数可用的 Python 命名空间，剩下的自己处理。

直连 CDP，不封装

浏览器自动化框架通常在 Chrome DevTools Protocol（CDP）上建一层抽象。Playwright 的 page.click(selector) 背后是一套元素定位、可见性检查、滚动等待逻辑——对人类开发者很友好，对 AI agent 是不透明的黑盒。

browser-harness 的链路：

Chrome → CDP WebSocket → daemon.py → Unix socket → run.py

单条 WebSocket 连接，守护进程做桥接，cdp(method, session_id, **params) 直接发送原始 CDP 命令。AI 看到的就是协议本身。

其中一个直接好处是：坐标点击可以穿透 iframe、shadow DOM 和跨域边界。

click(x, y) 底层调用 Input.dispatchMouseEvent，这是 CDP 合成器层的事件，不走 DOM 选择器路由。现代网页大量使用 iframe 嵌套、Web Components 和跨域内容，DOM 选择器在这些场景下要么失效，要么需要繁琐的上下文切换。坐标点击绕开了这个问题。

截图优先：看到再动

browser-harness 的标准操作循环：截图 → 读坐标 → 点击 → 截图验证。

screenshot()          # 看页面现状
click(342, 218)       # 点击对应坐标
screenshot()          # 确认结果

goto(url) 导航后不返回页面结构，page_info() 只给视口尺寸和滚动状态，不给 DOM 树。AI 必须先截图，才能决定下一步。

这个设计有一个实际依据：网站的 DOM 结构会变，但屏幕上的视觉位置相对稳定。每次从视觉状态出发，比依赖可能过时的选择器更可靠。

自愈：任务途中补写工具

helpers.py 里的函数是初始工具集，但 AI 可以在任务执行中途编辑这个文件、加入新函数，然后在同一次任务里直接调用。

项目描述里写得直接：“The agent writes what’s missing, mid-task”。

传统框架遇到能力缺口会报错，或者要开发者去扩展插件。browser-harness 把这件事交给 AI 自己：发现缺什么，写什么，写完继续干。

2026 年 4 月 22 日有一条修复提交，处理的是这个机制的边界问题：Python comprehension 在 exec() 作用域里的变量绑定行为和普通函数不同，AI 在自行补写工具时容易踩坑。这条提交由 Gregor Žunič 与 Claude Opus 4.7 共同署名——AI 本身是这个仓库的代码贡献者之一。

68 个网站的集体记忆

domain-skills/ 目录下有 68 个子目录，每个对应一个网站，记录：

• • URL 模式和查询参数
• • 私有 API 端点和请求结构
• • 稳定选择器（data-*、aria-*、role 属性优先）
• • 框架特有的等待条件和交互陷阱

覆盖 Amazon、LinkedIn、GitHub、SEC EDGAR、arXiv、TradingView、Spotify、Steam、Craigslist 等。

这些文件不是手写文档。每次 agent 解决了一个新网站的操作难题，就把发现的有用信息写进对应的 skill 文件，供下次使用，也供其他 agent 继承。

skill 文件有明确的禁止项：不记录像素坐标（截图每次重取）、不记录运行旁白、不记录凭证。只记录可复用的结构性信息。

与 Playwright 的差异不只是代码量

Playwright 的封装对人类友好，但对 AI 意味着一个不透明的中间层。browser-harness 去掉这层，AI 直接面对协议和视觉状态。

一个值得观察的方向

browser-harness 属于 browser-use 生态，是这个生态里走极简路线的分支。

做法是：给 AI 最小的初始能力集，剩余能力在执行任务的过程中自行构建，有价值的经验沉淀为可复用的领域技能。

这个设计比较务实：先跑起来，遇到缺口就补，补完继续。相比大而全的框架，它更像一个能自我生长的脚手架。

代码库在这里：github.com/browser-use/browser-harness