Miiiuser/dsh-browser-agent

README 摘要

dsh-browser-agent 给 纯文本模型（DeepSeek 等） 用的浏览器自动化 + 视觉识别。 用 Playwright 驱动真实浏览器（Edge / Chrome / Chromium），再通过视觉模型（默认智谱 GLM-4V ，也支持任意 OpenAI 兼容 / 本地模型）把截图转成文字，给文本模型装上"眼睛"。 提供 两种形态 ： - 独立 CLI —— browser-agent - DeepSeek Harness Cordis 插件 —— 注册一组 browser 原生工具，会话内直接调用 不需要 Python，只需 Node 18+。 为什么需要它 browser-use 这类工具要求一个 多模态 LLM 当大脑。如果你用的是纯文本模型（DeepSeek 等），它看不到截图，就无法自己驱动浏览器循环。 本项目把职责按正确的方式拆开： 文本模型始终是决策者，视觉模型只负责"把像素翻译成文字"。 特性 - 常驻浏览器桥 —— 一个长驻浏览器走本地 HTTP API（登录态跨命令保持）。 - 文本优先定位 —— snapshot 返回元素清单（ref、tag、type、id、placeholder、text），多数操作不需要视觉。 - 按需视觉 —— see / vision 把截图或图片转成结构化描述。 - 三种视觉通道 —— glm （免费 GLM-4.6V-Flash / GLM-4.1V-Thinking-Flash）、 custom （任意 OpenAI 兼容端点）、 local （Ollama / LM Studio / llama.cpp）。 - 自动识别浏览器 —— 在 Windows / macOS / Linux 上找 Edge / Chrome / Chromium。 - 附加模式（attach） —— 通过 CDP 驱动已运行的浏览器（适合禁止启动浏览器的沙箱）。 - 结果缓存 —— 按"图片哈希 + prompt + 模型"缓存视觉结果。 快速开始（CLI） 或链接成全局命令： DeepSeek Harness Cordis 插件 plugins/cordis/ 里是一个 Cordis Host 插件，注册 10 个 browser 模型工具，让 DSH 会话 原生拥有 浏览器控制与视觉能力（无需再手敲 CLI）。 工具一览： 工具 作用 browser status 桥是否运行、当前页面 URL/标题 browser open 打开 URL browser snapshot 元素清单（ref 编号） browser text 页面可见文本 browser screenshot 截图保存 PNG browser click 按 ref / 文本点击 browser type 点击并输入 browser eval…

分类