给Agent一个浏览器插件,它就能自己上网了

先说说Agent和浏览器之间的「鸿沟」

你用过Agent吧？让它们写代码、跑脚本、分析文档，那都是小菜一碟。但一旦涉及到浏览器，问题就来了。

你想让Agent帮你爬个网页？它可能连登录都搞不定。

你想让它自动填个表单？它可能连那个按钮在哪都找不到。

你想让它截图验证结果？它可能连页面都没加载完就告诉你「任务完成」。

问题出在哪？

出在Agent没有「手」。

Agent有大脑，能思考，能推理，但它没有直接操作浏览器的能力。它需要通过API、需要写爬虫、需要处理各种反爬机制，还得自己维护登录态。

这就像给一个超级大脑装上一双塑料手，看着挺厉害，实际啥也干不了。

所以我想，干脆给Agent装个「真手」

浏览器插件是个好方案。

它天然运行在浏览器里，有完整的DOM访问权限，能操作任何元素，能读取任何内容，还能保持登录态。

但问题是，怎么让Agent和插件对话？

我折腾了几个方案，最后选了三层架构：

CLI是Agent直接调用的命令行工具，native-host是中间桥梁，Extension才是真正在浏览器里干活的那一个。

通信方式用的是Chrome Native Messaging，这是Chrome官方提供的插件和本地程序通信的协议，稳定、安全、性能也不错。

这个工具能做什么？

我把它设计成了一套完整的浏览器自动化工具集。

Tab管理：创建、关闭、激活标签页，就像你自己操作一样。

页面快照：这个功能我觉得特别好用。它会返回页面的可访问性树，给每个可交互元素分配一个ref标识符，比如r1、r2。Agent不用自己去猜CSS选择器，直接说「点r1」就行。

页面内容：能提取原始HTML，也能直接转成Markdown，把导航栏、广告这些乱七八糟的东西都去掉，只留正文。

页面截图：支持全页截图、元素截图，还能指定ref或selector来截取特定区域。

页面交互：点击、输入、选择下拉框、滚动、查询DOM、等待元素出现，应有尽有。

脚本执行：能在页面上下文中执行任意JavaScript，想干嘛都行。

导航：前进、后退、刷新、直接跳转到指定URL。

搜索：内置了百度和Bing搜索，不用自己打开浏览器搜，直接命令行就能搜。

Cookie操作：获取、设置、删除Cookie，登录态管理。

内容抓取：给个URL，它自动打开、提取Markdown、然后自己关闭标签页，一条龙服务。

说几个我觉得「卧槽」的场景

场景一：Agent自动调研竞品

Agent接到任务：「帮我调研一下最近AI行业有什么大新闻」。

它用browser-bridge搜索关键词，打开几个新闻页面，提取Markdown内容，总结报告。整个过程不需要人工干预，Agent自己就能把信息抓回来。

场景二：Agent自动填写表单

你想让Agent帮你注册个账号？给它URL和账号信息，它自己打开页面，找到输入框，填好信息，点提交。

场景三：Agent自动截图验证

Agent执行完一个网页操作后，想知道结果对不对？让它截图，对比一下就知道。

场景四：Agent自动维护登录态

很多网站需要登录才能看内容。browser-bridge能操作Cookie，Agent可以帮你维持登录状态，不用每次都重新登录。

怎么安装？

挺简单的。

class="language-bash">install/install.bat

运行这个脚本，它会自动编译、配置、注册。

然后按提示在Chrome里加载extension/dist目录作为unpack扩展就行。

如果你用的是Windows，直接跑bat文件。如果你用的是其他系统，手动编译也很容易，文档里有详细说明。

项目结构

browser-bridge/├── extension/          # Chrome插件，TypeScript├── native-host/        # 中间桥梁，Go├── cli/                # 命令行工具，Go├── install/            # 安装脚本└── docs/               # 文档

技术栈也很清晰：Extension用TypeScript，native-host和CLI都用Go。

通信协议用的是Chrome Native Messaging，4字节长度前缀加JSON，简单直接。

我觉得它最大的价值在哪

不是它能做什么，而是它让Agent能做什么。

以前Agent遇到浏览器就废，现在Agent可以像人一样操作浏览器。

它能自己上网查资料，能自己填表单，能自己截图验证，能自己保持登录态。

Agent的边界，一下子就被拓宽了。

但也要坦诚说几个问题

第一，它还在早期。功能基本都有了，但还有很多细节需要打磨。比如某些复杂页面的交互可能还需要优化。

第二，它需要Go环境。编译需要Go 1.23+，构建Extension需要Node.js。如果你没有这些环境，安装会稍微麻烦点。

第三，它是开源的。这意味着你可以自由使用、修改、贡献，但也意味着没有官方支持，遇到问题得自己解决或者提issue。

最后

我写这个工具，不是因为我觉得它有多完美，而是因为我真的遇到了这个问题，而且我真的想解决它。

Agent时代已经来了，但Agent的能力边界还卡在很多地方。浏览器自动化就是其中一个。

我希望这个工具能帮到你，也希望你能用它做出一些有意思的东西。

项目地址：https://github.com/knowwhythat/browser-bridge

欢迎提issue，欢迎提PR，欢迎star。

以上，既然看到这里了，如果觉得不错，随手点个赞、在看、转发三连吧，如果想第一时间收到推送，也可以给我个星标⭐～

谢谢你看我的文章，我们，下次再见。

/ 作者：玄策