用Kimi插件让浏览器干活,保姆教程来了!

Datawhale干货

作者：李秀奇，Datawhale成员

先说一个很实际的问题。

有些信息，你想让 Agent 帮你搜到、抓下来，但是会遇到：页面要登录才能看完整内容，数据不滚动到底就不加载，很多信息就是要在专用的网站，联网搜索解决不了问题。

这就是"控制浏览器"要解决的问题。今天我们用一篇文章，带大家上手用 AI 控制浏览器。

一、让AI控制浏览器帮你干活原理

让一条指令驱动浏览器，听起来方案很多，Selenium、Playwright、CDP、MCP、视觉点击，名词一大堆。但按指令从哪个位置进入浏览器来分，真实的路只有三条。

第一条是进程外调试协议，也就是 CDP 这一类。浏览器开一个供程序连接的调试端口，外部程序连上它就能指挥浏览器。Playwright、Selenium 这些框架走的都是这条路，它们是封装，不是另一条路。这条路能力最全，但网站能察觉你在用程序控制，容易拦你。

第二条是浏览器内扩展。控制代码作为扩展跑在浏览器内部，直接操作页面，再通过一个本地服务把能力开放给外面的 Agent。它最大的优势是登录状态和你本人操作时一模一样，因为它就在你日常用的那个浏览器里，网站分不出是你在操作还是 AI 在操作。

第三条是操作系统层，在电脑桌面上模拟鼠标键盘，或者截屏给模型看。网站察觉不到程序控制的痕迹，因为确实没有走任何协议通道。代价是每走一步都要截屏加识别，比前两条慢得多；窗口大小、缩放比例、页面遮挡，任何一样变了，原来记好的点击位置就失效。

这三条路怎么选，核心就看一件事，要不要用你那个已经登录的浏览器。要，就走扩展这条路，登录状态都是现成的；不要，就另起一个干净的浏览器，登录状态自己维护。我们上手用的 Kimi WebBridge 走的就是扩展这条路：你电脑里跑一个后台服务，浏览器里装一个扩展，模型就能拿到一组现成的动作，打开页面、读内容、填表、点击、截图，直接用。

一般大家让 Agent 帮忙控制浏览器会使用 Browse Use 以及 Kimi Web Bridge，但也还有其他的。

但在我的实际体验中，Browse Use 对比 Kimi Web Bridge 来说没有那么好用，原因如下：

1. 每次连接都需要点击同意：Browse Use 每次连接都需要你去点击同意，如果你不同意的话它没法连接。每次都需要我点击，所以我感觉它很麻烦。

2. 没有分组概念：Browse Use 没有分组的概念，每次打开一个 tab 页就是一个独立的 tab 页；但是 Kimi Web Bridge 是有分组概念的，它可以按照任务组别，一组一组地把网页分隔开。

开始之前，你要准备两样东西，一是在 Chrome 里装好 Kimi WebBridge 扩展，二是一个能调用它的 AI 工具，Kimi Code、Claude Code 这类命令行工具都可以。准备好之后，把下面的提示词原样发给它就行。

二、上手教程

控制浏览器说到底就三种能力：把页面读出来，把操作写进去，以及在真实网站上把它们综合用起来。下面三个任务，每个练一种。演示时我们用的模型是 GPT-5.6-sol，但它只是执行者，主角是流程本身。

任务一：练读取能力

要测的是让浏览器把页面内容变成规整的数据，包括翻页这种连续操作。目标站是 Books to Scrape，一个专为抓取练习设计的图书站。

你就这么跟它说：

用 Kimi WebBridge 完成以下任务，session 名用 demo-books。目标：打开 https://books.toscrape.com/，提取当前页全部图书的标题、价格、评分，然后翻到第二页再次提取。验证标准：- 第一页返回 20 条，首项是 "A Light in the Attic"。- 第二页返回 20 条，首项是 "In Her Wake"。- 两页数据不能重复。输出：两页的 JSON 数组，并给出条数和首项书名。

提示词里的 session 是给这次浏览器会话起的名字，不同任务用不同名字，就能互不干扰地同时跑。模型收到后先打开首页，再在页面里跑了一段脚本，20 本书一次拿全；然后翻到第二页，再拿 20 本。注意提示词里验证标准的写法：翻页成不成功，不看翻页指令回来说了什么，看第二页的第一本书是不是 In Her Wake。指令的返回值只说明指令执行了，数据才能证明页面真的变了。

Books to Scrape 图书列表页

翻页后的第二页

任务二：练写入与验证能力

要测的是把操作写进页面：填表、点击，并且验证操作的结果。目标站是 The Internet 的登录页，这是一个专门用来练习的网站，测试账号公开写在页面上。

你就这么跟它说：

用 Kimi WebBridge 完成以下任务，session 名用 demo-login。目标：在 https://the-internet.herokuapp.com/login 完成一次真实登录，用户名 tomsmith，密码 SuperSecretPassword!。步骤建议：1. navigate 到登录页。2. 先 snapshot，找到用户名输入框、密码输入框、登录按钮的引用。3. fill 用户名，fill 密码，click 登录按钮。4. 等待 2 秒后再次 snapshot，检查跳转结果。验证标准（必须全部满足）：- 第二次 snapshot 的 url 包含 /secure。- 页面文本里出现 "You logged into a secure area!"。- 页面里能找到 Logout 链接。click 返回 success 不算登录成功。

模型先读了一遍页面结构，拿到用户名框、密码框、登录按钮三个控件的位置，填了两次输入框，点了一次登录按钮。这个任务最关键的一课在提示词的最后一行：点按钮返回"成功"，只说明按钮被点了，不说明登录真的成功了。所以验证标准写成三个条件的组合，网址跳转、成功提示、退出链接，少一条都不算完成。你写提示词时给模型定好验证标准，模型就会自己复查；不给，它就可能把"点了按钮"当成交差。

登录成功后的 Secure Area

任务三：练真实站点的综合能力

要测的是把读取能力用到真实网站上，同时处理两个网站、两个会话，并且应对页面结构和你预想不一样的情况。目标是 GitHub Trending 和 Hacker News，各取前 10 条，合成一份技术日报。

你就这么跟它说：

用 Kimi WebBridge 完成以下任务，GitHub 用 session demo-github，Hacker News 用 session demo-hn。目标：分别打开 GitHub Trending 和 Hacker News，各提取前 10 条。GitHub Trending：https://github.com/trending- 用 evaluate 从 article.Box-row 提取仓库名、链接、简介、语言、  当日新增星标。- 字段为空时先检查选择器是否匹配当前页面，不要把"选择器没匹配到"  当成"数据不存在"。Hacker News：https://news.ycombinator.com/- 用 evaluate 从 tr.athing 提取排名、标题、链接、来源、分数、时间。验证标准：- 两个站点各返回 10 条，每条有非空标题和链接。输出：一份 Markdown 文档，分两节列出结果，给出采集时间。

提示词里 article.Box-row、tr.athing 这些符号，是数据在页面上所在位置的代号，不用你懂，照抄就行。就算不写，模型自己打开页面也能把它们找出来，下面就是实例。

Hacker News 这边任务执行很顺利。GitHub 这边，第一次提取仓库简介时，拿回来 10 条空字符串。因为提示词里写了"字段为空先检查选择器"，模型没有报告"这些仓库没有简介"，而是把页面的真实结构导出来检查，发现简介放在一个代号叫 p.col-9 的位置，修正后全部取回。真实网站的结构随时和你的预期不同，那一句提示词就是留给模型的自查指令。