文章摘要
本文介绍用AI驱动浏览器完成自动化任务的方法，涵盖原理、实操。AI控制浏览器有进程外调试协议、浏览器内扩展、操作系统层模拟三种路径，扩展方案适合复用登录状态。通过三个递进任务可练习页面数据读取、操作与结果验证、多站点综合采集能力，提示词可复用。该流程不绑定特定AI模型，国产大模型也适用，可在Chrome装Kimi WebBridge操作。

在日常使用AI工具时，你是否遇到过这样的场景：想要让智能助手抓取特定网站的内容，但该网站需要登录才能查看完整信息，或者内容需要滚动加载，普通的联网搜索无法获取这些专属平台的数据？这时候，让AI直接控制浏览器就能解决这类问题。本文将详细介绍如何用AI驱动浏览器完成自动化任务，从原理到实操全流程拆解。

一、AI控制浏览器的三种实现路径

让AI指令驱动浏览器，市面上有不少技术方案，但从指令接入浏览器的方式来看，核心只有三条路径：

第一条是进程外调试协议，比如CDP这类方案。浏览器会开放一个供外部程序连接的调试端口，像Playwright、Selenium这类自动化框架都是基于这套逻辑实现的。这套方案的功能覆盖最全面，但网站很容易检测到自动化控制的痕迹，可能会拦截访问。

第二条是浏览器内扩展方案。将控制代码作为浏览器扩展运行，直接在页面内部进行操作，再通过本地服务将能力开放给外部AI工具。这套方案的最大优势是完全复用你当前浏览器的登录状态，和你手动操作的体验一致，网站无法区分操作来自真人还是AI。我们本次演示使用的Kimi WebBridge就属于这类方案，只需在本地运行后台服务、在Chrome中安装对应扩展，就能让AI直接调用打开页面、读取内容、填表点击、截图等一系列操作能力。

第三条是操作系统层模拟方案，通过在桌面端模拟鼠标键盘操作或者截屏识别来控制浏览器。这套方案不会留下任何协议层面的控制痕迹，但代价是每一步操作都需要截屏和识别，速度比前两种方案慢很多，而且窗口大小、页面缩放、元素遮挡等任何环境变化都会导致之前记录的点击坐标失效。

选择哪种路径，核心取决于你是否需要复用当前已登录的浏览器会话：如果需要保留登录状态，就选扩展方案；如果需要全新的干净会话，就选择其他路径。

目前主流的浏览器控制工具包括Browse Use和Kimi Web Bridge，根据实际使用体验，Browse Use的体验相对繁琐：一是每次连接都需要手动点击同意授权，无法自动完成连接；二是没有会话分组功能，每个标签页都是独立的，无法按任务隔离页面。而Kimi Web Bridge支持按任务创建会话组，可以将不同任务的页面完全隔离，使用体验更流畅。

准备工作很简单：只需在Chrome应用商店搜索安装Kimi WebBridge扩展，搭配Kimi Code、Claude Code这类命令行AI工具即可开始使用，直接复制对应的提示词发送给AI就能启动任务。

二、实操训练：从基础到综合的三个任务

控制浏览器的核心能力分为三类：读取页面内容、写入操作到页面、在真实站点完成综合任务。我们通过三个递进的任务来逐一练习，所有提示词都可以直接复制使用。

任务一：练习页面数据读取能力

这个任务的目标是让AI从页面中提取结构化数据，包括翻页这类连续操作。我们使用专门用于抓取练习的图书网站Books to Scrape作为测试站点。

需要发送给AI的提示词如下：

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。

这里的session参数用于为本次浏览器会话命名，不同任务使用不同的会话名，可以实现多个任务同时运行且互不干扰。AI收到指令后会先打开首页，通过页面脚本一次性获取20本图书的信息，再翻到第二页获取另一批数据。需要注意的是，判断翻页是否成功不能只看指令返回结果，而是要通过返回的数据来验证页面是否真的切换到了第二页。

任务二：练习页面操作与结果验证

这个任务的目标是让AI完成页面填表、点击操作，并验证操作的实际结果。我们使用专门的测试登录站The Internet，该站点提供公开的测试账号。

需要发送给AI的提示词如下：

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。

AI会先解析页面结构，定位到用户名框、密码框和登录按钮，完成信息填写和点击。这个任务的核心要点是：点击按钮返回的“成功”仅代表按钮被触发，不代表登录真正完成，因此必须通过多个维度的验证标准来确认结果，比如URL跳转、成功提示文本、退出按钮是否存在。

任务三：练习多站点综合采集能力

这个任务的目标是让AI同时处理两个不同的网站，创建独立会话，并应对页面结构与预期不符的情况。我们将采集GitHub Trending和Hacker News的前10条内容，合成一份技术日报。

需要发送给AI的提示词如下：

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。

提示词中的article.Box-row、tr.athing是页面元素的选择器，无需手动理解，直接复制即可。即使不写选择器，AI也会自动识别页面结构。在本次测试中，Hacker News的采集非常顺利，但GitHub的仓库简介第一次提取时返回了空值，按照提示词中的要求，AI没有直接判定“数据不存在”，而是重新检查了页面结构，最终发现简介实际位于p.col-9选择器下，修正后成功获取了所有数据。这说明在提示词中加入排错指引，可以让AI更好地应对真实网站的结构变化。

三、这套方法不绑定特定模型

很多用户会关心：这套流程是否只能用特定的AI模型？我们将上述三个任务的提示词分别发给了三款国产模型：豆包doubao-seed-evolving、阶跃Step Explore、Kimi K3，最终所有模型都顺利完成了任务，操作流程和演示一致。

实际使用中也存在一些细微差异：豆包和Kimi K3在拼接本地命令时遇到了引号冲突的语法错误，但两款模型都自动识别了问题并调整了写法完成修复；阶跃Step Explore全程没有告警，还主动提醒我们Hacker News的分数会随时间变化，如果验证标准中写死具体数值，即使任务成功也会被判定失败，给出了更完善的优化建议；Kimi K3有一次执行的命令出现了红色警告，但后续自动调整修正了问题。

四、核心要点总结

本文完整介绍了AI控制浏览器的全流程：

• 从路径选择来看，三种实现方式各有优劣，扩展方案最适合需要复用登录状态的场景；

• 控制浏览器的核心不是代码，而是提示词：清晰说明任务目标、明确验证标准、加入排错指引，就能让AI高效完成任务；

• 通过三个递进的实操任务，可以快速掌握读取、操作、综合采集三类核心能力，所有提示词都可以直接复用；

• 这套流程不绑定特定AI模型，国产大模型也能顺利完成所有任务，仅在细节处理上存在细微差异。

如果想要尝试，可以直接在Chrome应用商店搜索安装Kimi WebBridge，搭配任意支持命令行的AI工具即可开始使用。

以上内容不代表本平台立场，仅供读者参考