Browser Use 与 CDP 智能体自动化范式 (Browser Use & CDP Agents)
在构建能够自主操作网页的 AI 智能体（Web Agent）时，传统的“计算机视觉截图 + 像素坐标点击（Vision-based GUI click）”方案往往存在延迟高、Token 消耗大、分辨率漂移以及抗动态交互差等痛点。Browser Use 结合 CDP（Chrome DevTools Protocol，Chrome 开发者工具协议） 代表了更具工程鲁棒性的结构化浏览器自动化范式。
Source: 2026-08-20-note-CDP---Browser-Use--通常不依赖-22674ae412.md（来源未公开）
1. 核心架构与运作机理
- DOM 与无障碍树（Accessibility Tree）提取：智能体不单纯依赖渲染后的位图图像，而是直接通过 CDP 获取当前页面的 DOM 节点树与 ARIA 无障碍树，将页面可交互元素转换为紧凑的语义化标记（Interactive Index）；
- 协议级精准指令注入：Agent 做出决策后，通过 CDP 原生接口（如
Input.dispatchMouseEvent、DOM.querySelector）直接派发点击、输入与滚动事件，完全规避了像素级坐标定位漂移； - 状态感知与双工监听：利用 CDP 监听网络请求完成状态（
Network.requestWillBeSent、Page.lifecycleEvent）与控制台报错，实现确定性的“等待页面稳定后再执行下一步”，大幅降低幻觉与误操作率。
2. 与视觉智能体的混合协同
在面对含有复杂 Canvas 绘图、滑块验证码或非标自绘 UI 时，现代智能体 Harness 会采用“CDP 语义为主 + 轻量 Vision 为辅”的双模态混合路由策略，在保持超低 Token 开销的同时确保全场景覆盖能力（深度契合 harness-in-agentic-systems 与 agentic-systems）。