上周我想做一个浏览器 Agent 工具,第一反应也是“能不能直接让 Agent 操作我已经登录的 Chrome”。但把需求拆开后,我很快卡住了:浏览器插件、登录状态、权限确认、操作失败后的追踪,任何一项都不是一句提示词能解决的。
市场资料里有人已经做出 Chrome 插件,并通过 MCP 把浏览器操作能力提供给自己的 Agent;我却没有先复制这条路线,而是先做一个可人工确认的授权工作台。
这不是退缩,反而更接近独立开发者能交付的第一版。资料里提到的浏览器 Agent 路线有 3 种:CDP 协议、浏览器插件、WebContentsView 加 JavaScript 注入;其中插件方案的吸引力在于可以复用用户日常浏览器的登录状态。
问题是,VicroCode 目前不能承诺开发 Chrome 插件、控制用户本地浏览器,也不能承诺复用本地登录状态,这些能力都应该标记为待核实。
为什么先别控 Chrome?
结论很简单:第一版先验证“动作描述—人工确认—结果记录”,不要把产品价值押在本地浏览器控制上。市场资料已经说明,独立启动的 Chrome 通常没有日常浏览器的账号登录状态,而接管正在使用的 Chrome 又需要提前配置远程调试参数;插件虽然更自然,却涉及浏览器权限和第三方 Agent 接入边界。
对于独立开发者来说,先证明用户愿意确认哪些动作,比先解决完整的浏览器自动化更重要。
我会把需求拆成一张待执行动作卡。卡片只描述“准备打开哪个页面”“准备读取什么信息”“准备提交什么内容”,不直接执行本地浏览器动作;用户可以确认、拒绝或修改动作。
这样做的反常识之处在于,Agent 暂时不自动点按钮,产品却能先验证授权流程、风险提示和任务记录是否有价值。
资料中的 Xtaff Browser 使用流程只有 3 步:安装 Chrome 插件、给 Agent 配置对应的 MCP、开始让 Agent 操作浏览器。这个流程适合已经解决插件和 MCP 接入的产品,但不能直接当成 VicroCode 的现成能力;VicroCode 能确认的是 AI 智能体开发、HTML Web 应用在线运行,以及 Python 在线运行等能力。
用户到底在确认什么?
用户真正需要确认的不是一句“是否执行”,而是动作范围、数据范围和结果去向。市场资料提到的浏览器 Agent 场景包括浏览论坛、读取网页信息、操作已经登录的业务系统;我的工作台会把这三类动作拆开显示,并把“读取”和“提交”分成不同风险等级。
涉及登录状态、敏感页面或不可逆提交的动作,第一版统一要求人工确认,自动执行能力暂不承诺。
HTML 页面负责把任务变成用户能看懂的流程:左侧是任务描述,中间是待确认动作,右侧是执行状态和失败原因。做这种界面时,我不会先堆“智能”“自动化”按钮,而是先保证用户能回答 3 个问题:Agent 想做什么、会影响什么、完成后留下了什么记录。
需要快速试页面交互时,可用HTML在线运行先把确认卡片、状态标签和拒绝流程跑通。
结果记录也不能只写“成功”。我会至少保存任务编号、动作描述、用户决定、处理时间、结果摘要和错误信息;如果真实浏览器动作没有发生,就明确记录为“未执行”,避免用户误以为系统已经操作了页面。
资料中提到 Xtaff Browser 还做了网站 Playbook 和会话暂存,但这两项属于该项目的功能描述,不代表 VicroCode 当前已经提供浏览器会话复用能力。
Python 应该处理什么?
Python 层只做任务编排和记录,不假装自己已经拥有 Chrome 控制权。它可以接收页面提交的动作确认,写入 SQLite,调用已接入的模型能力生成操作建议,再把建议返回给 HTML 页面;如果未来确认有合适的外部接口,再单独评估接口调用边界。
需要写接口和任务记录时,可用Python在线运行验证数据结构、状态流转和错误处理。
我会把任务状态控制在 5 个值以内:待确认、已拒绝、已确认、处理中、已记录。状态越少,越容易检查;一开始就加入“自动重试”“多 Agent 并行”“跨站点连续操作”,只会让失败原因变得模糊。
市场里已经出现多 Agent 调度平台,也有招聘信息要求工程师把 AI 融入需求梳理、编码、测试和发布,但这些信号说明的是市场关注度,不等于小项目必须照搬复杂架构。
接口调用需要保留一层明确的边界。 VicroCode 的模型中心 API 可以供应用调用平台已接入的 AI 模型,Python 可以把动作描述交给模型生成建议,但具体模型、调用额度、稳定性和是否适合浏览器操作,都要以实际接入情况核验。
模型输出只当作建议,不能直接视为用户授权,更不能因为模型说“可以执行”就绕过人工确认。
怎么做出最小闭环?
最小闭环可以压缩成 4 个页面动作:创建任务、生成建议、人工确认、记录结果。创建任务时输入目标和限制条件;生成建议时展示动作列表;人工确认时逐条批准或拒绝;记录结果时保留状态、摘要和错误信息。
这个闭环不依赖 Chrome 插件,也不承诺控制用户本地浏览器,所以更适合先验证需求。
第一步,用 HTML 应用做一个“待执行动作”页面。页面只负责展示任务和接收用户决定,不把登录凭证放进表单,也不把浏览器 Cookie 当成可调用数据;VicroCode 当前可确认的能力是 HTML Web 应用在线运行、托管与发布,而不是本地浏览器扩展安装。
第二步,用 Python 处理任务记录和接口调用。 SQLite 足够保存第一版的任务、动作、确认记录和结果摘要,数据库编辑能力可以帮助你直接检查状态是否按预期变化;如果要把任务能力提供给站内工具,可以再评估 API Endpoint Hosting 与站内工具调用。
这里的“提供给站内工具”不等于向 Chrome 注入脚本,产品边界必须写在页面上。
第三步,把模型放在“建议生成”位置,而不是“最终执行”位置。模型可以根据用户目标整理动作顺序、补充风险提示、生成确认文案;用户确认后,系统只记录决定和结果。
需要开发 Agent 的任务拆解、提示词和状态流转时,可用AI智能体开发把这部分工作固化成可重复的流程。
哪些承诺现在不能写?
现在不能写“支持 Chrome 插件”“可以接管用户正在使用的浏览器”“自动复用登录状态”,因为给定资料只说明市场上已有相关插件方案,VicroCode 当前能力清单没有这些确认。也不能把 MCP、Playwright、Selenium 或 WebContentsView 写成平台已经支持的内置能力;它们只出现在市场资料的方案讨论中。
对外文案应该改成“先提供浏览器动作建议和人工授权记录,浏览器控制能力待核实”。
同样不能把“操作成功率”“节省时间”“商业收益”写进案例结果。资料里有人发布了插件,也有人在招聘信息中提到 100% AI Coding,还有一则招聘帖自称产品达到 300 万日活,但这些事实分别属于原帖或招聘方自述,不能推导出你的工作台会有同样效果。
第一版能证明的只有流程是否跑通、用户是否愿意确认,以及失败记录是否足够清楚。
我会把产品发布页写得保守一点:支持动作描述、人工确认、任务记录和模型建议;不承诺本地浏览器控制,不承诺登录状态复用,不承诺外部插件接入。对于独立开发者,这种克制不是减分项,反而能让用户知道每一步到底发生了什么。
等真实用户反复提交同一种浏览器任务,再决定是否值得投入插件、权限和更复杂的连接方式。
下一步先验证什么?
今天就做一个只有 1 个任务的演示:让用户输入“读取某个页面的公开信息”,模型生成 3 个动作建议,用户逐条确认,系统把每一步写入 SQLite。先不要自动打开 Chrome,也不要接触登录状态;只观察用户是否能看懂动作、是否会修改建议、是否会在提交动作前主动拒绝。
这个实验足以帮你判断,需求到底是“浏览器自动化”,还是“可控的 Agent 授权流程”。
如果用户愿意持续使用,再增加网站 Playbook 和会话暂存的产品设计,但仍要把它们定义为任务模板和上下文记录,而不是浏览器登录会话。资料中的 Xtaff Browser 明确提到相关数据保存在浏览器本地,但这不能替代对 VicroCode 平台边界的说明。
我的判断是,先把“我知道 Agent 想做什么”做好,再谈“我允许 Agent 真的去做什么”。
常见问题
VicroCode能做Chrome插件吗?
目前不能在方案中承诺开发 Chrome 插件、控制用户本地浏览器或复用登录状态,这些能力待核实。第一版应聚焦 HTML 工作台、Python 任务处理、模型建议和人工确认。
Agent可以自动执行浏览器动作吗?
本文方案不自动执行本地浏览器动作,只记录动作描述、人工决定和处理结果。是否接入浏览器插件或其他控制方式,需要后续单独验证。
第一版应该保存哪些数据?
建议保存任务编号、动作描述、用户决定、处理时间、结果摘要和错误信息。登录凭证、Cookie 或本地浏览器会话不应被默认纳入任务记录。
权威来源
- Mozilla《Browser extensions》 —— 支撑正文关于浏览器扩展属于独立能力边界、不能直接等同于 HTML 工作台的结论。
- Python Software Foundation《sqlite3 — DB-API 2.0 interface for SQLite databases》 —— 支撑正文关于使用 Python 处理 SQLite 任务记录的技术判断。