浏览器自动化 agent：最难的工具类

🎒 预备知识：完成上一课「A15 人机交互与信任」（零基础入口：第 0 课）

一、基础：浏览器自动化的原理（三分钟从零讲清）

先建立三个基本图像：

① 网页 = 文档 + 程序。服务器返回 HTML（文档结构），浏览器渲染成你看到的页面， 页面上还有 JavaScript 在运行（弹窗、加载、动画）。所以"操作网页"有两层含义： 改文档结构（DOM），或模拟人的交互（点击/输入）。

② 自动化框架 = 一只程序化的手。Playwright/ Puppeteer/Selenium 启动一个 被程序控制的真浏览器（就是你机器上那个 Chromium，只是由代码发指令）： page.click("#submit")、page.type("标题")、page.goto(url)。 因为操作的是真浏览器，页面里的 JS 照常跑、Cookie 照常存——和真人用浏览器几乎无差别。

③ 无头（headless）= 不显示窗口。浏览器在后台跑，省资源、可并发； 但指纹特征与有头略有差异，部分风控会盯它（后面第四节）。

二、为什么是浏览器（而不是 API）

三个现实原因：① 平台不开放——小红书/抖音的创作者后台没有公共 API， 但每个人都有浏览器；② 身份天然合法——用你的登录态走和真人一样的界面， 比伪造 API 请求更"正常"；③ 能力最全——界面上有的功能都能做。 代价：平台随时改版、随时加强风控——这是一场没有终点的维护战。

三、登录态：浏览器 agent 的身份层

Playwright 持久化目录（user-data-dir）= 一个"浏览器人格"
  ~/.easel-browser-profiles/XiaohongshuProfile   ← Cookie/缓存/指纹全在里面
  登录一次（扫码），之后 headless 复用

为什么持久化目录这么重要：登录的本质是平台发给你一组 Cookie（身份凭证）， 浏览器每次请求都自动带上。普通模式下关浏览器 Cookie 就没了；持久化目录把 整个浏览器状态存到磁盘，下次启动还是"已登录的你"。关键认知： 登录态是资产——它存用户家目录永不入库（A12 最小权限）、 可以被拷贝迁移（IP 风控时的救命招，正课 L13）、失效有专门信号 （readback 的 login_required 档）。登录流程本身是分钟级长流程（扫码→等待→确认）， 跨进程传递要靠状态文件协议（starting→qr_ready→…→success，正课 L12 的状态机）。

四、定位元素：选择器的脆弱性与治理

要让代码点"发布按钮"，得先在 DOM 里找到它——靠选择器 （CSS 选择器/XPath，如 button.publish-btn）。模型"看"网页的方式： 原始 DOM 太大太噪，实践用accessibility 快照或精简结构喂给模型辅助决策； 但自动化执行通常用确定性选择器，因为快照每轮都变、成本高。 选择器的致命弱点：平台改版 = 选择器全灭——按钮换个 class 名，agent 当场失明。 治理是浏览器 agent 的日常：Easel 把全部选择器集中在文件顶部一个 SELECTORS 字典、每条标注参考来源——平台改版时改一处、review 一眼看到动了什么。 教训：选择器散落在代码各处的 agent，平台一改版就死给你看。

五、反检测与拟人化：克制地像人

平台怎么识别自动化？两大线索：指纹（自动化浏览器会暴露特殊标记，如 navigator.webdriver=true）和节奏（人打字有快有慢、有停顿，脚本毫秒级匀速连击）。 Easel 的对策分层且克制：去掉自动化标记（--disable-blink-features）、 逐字符输入模拟打字、按动作语义的随机停顿（task-switch 1.8–4.5s，正课 L15）—— 但刻意不做大段 JS 注入伪装，因为越激进的伪装特征越多，反而更像机器人。 底线认知：这是平台与自动化的持续博弈，账号风险永远存在—— 测试号先行、小流量验证、人工复核高风险操作。

六、验证：浏览器操作的"成功"怎么定义

toast 弹了   ≠ 发布成功（可能被风控拦截）
按钮变灰     ≠ 发布成功（前端状态而已）
URL 离开发布页 ≈ 较强信号（Easel 小红书的判据）
回创作者中心读到本人新作品 = 最强信号（readback 对账，四档结论）

证据强度递增，代价也递增——按业务的不可逆程度选档。这是 A11 结果级评测 在浏览器场景的特化，也是 A13"先对账再重试"的前提。

七、常见踩坑

坑 1：headless 想当然。无头浏览器指纹更明显，登录环节常被风控 （小红书 300012）——要有有头降级路径（Easel 的 CloakBrowser 窗口）。 坑 2：toast 当成功。不上对账的发布都是薛定谔的发布。 坑 3：登录态当缓存随意清。清缓存=销毁身份，重新登录=重新风控考验。

八、检索练习

九、出口检验

给"自动填写公司报销单"设计浏览器方案：登录态怎么管？表单定位用什么策略？ 提交后怎么验证成功？哪些步骤必须人确认？发到对话里我批改——通过即可进入毕业桥 A17。