﻿# 浏览器自动化

智能体通过 Chrome DevTools Protocol（`chrome.debugger`）驱动真实页面。不依赖 OS 级自动化：输入直接派发进页面，智能体工作期间浏览器会显示「开始调试」横幅。

## 智能体能在页面上做什么

- **导航与读取**——打开 URL、跟进链接、读取结构化的页面快照。
- **点击与输入**——逐键输入、组合键，以及带拟人化节奏的点击：贝塞尔鼠标轨迹、速度抖动、落点抖动。点击带命中校验：目标被遮挡或在视口外时报错并给原因（内置能力可关），输入后从页面回读校验。
- **滚动**——惯性滚动加落点校验，「滚到底部」意味着页面真的在那里。
- **截图**——为多模态模型截取标签页，或者把图片直接写进页面的文件输入，不经模型中转。
- **页内验证**——在页面里执行一小段脚本（支持 async）并读回结果。

## 整个浏览器的操作面

单个页面之外，智能体还管理标签页——打开、列出、切换、关闭、重载、固定、静音、复制、移动、重开最近关闭——以及聚焦浏览器窗口。它还能记录待办、维护技能、设定目标，并把子任务委派给子代理。

## 深度页面读取

快照穿透 **Shadow DOM 与 iframe**：内部元素出现在同一份结构化清单里，带坐标。当选择器无法寻址某个元素时，智能体回退到坐标点击，并通过回读页面状态验证点击真的落在了目标上。

## 站点学习：/learn-site

对常去的站点，一条 `/learn-site [最大页数]` 指令可以机械地学习它：智能体开一个专用标签页同源爬取子页面，提取路径、表单与稳定选择器，凝练成一份站点速查，存为用户插件 `site-<主机名>`。学习过程零模型调用；爬取结束自动关闭学习标签页并切回原标签页。

此后只要该站点是活动标签页，速查就自动进入模型上下文——智能体直接用已知选择器与路径操作，不再反复快照探索，省 token 也更快。重新学习会整体替换旧速查；在「用户插件」面板关掉开关即停止注入。站点炼化（`page_network` 与配方技能）与它互补：炼化逆向数据端点，学习映射页面结构。

## 虚拟指针

CDP 输入不移动 OS 指针，所以每个手势同时在页面里渲染一层覆盖物：彗尾光标追踪精确的派发坐标、点击冲击波、按键与滚动脉冲。覆盖层在智能体工作时出现、结束后淡出。它绘制在顶层框架——同源 iframe 内的手势派发正确，画出的光标是其顶层视口投影。

## 边界

- 扩展只 attach 任务所指的标签页。
- 浏览器内部页面（`chrome://`、`edge://`、扩展商店）按设计拒绝 CDP 附加。
- 输入无法直达 shadow root 或 iframe 内部的输入框；智能体的绕行方式是聚焦元素后逐键派发，或用页内脚本赋值。
