dsh-agent-browser

面向 DeepSeek Harness 的浏览器自动化插件：把 agent-browser （Rust + CDP）接成一组窄工具 + 一个设置页，可选再挂一个由 dsh-judgment 判断的目标循环。

语言： 中文（本文件） · English

为什么不是 MCP：agent-browser mcp 会把几十个原子动作全局塞进模型上下文，而它结构上做不到 插件内部的有界循环、每步新鲜度门控、动作审计与设置页。形态取舍的完整论证见 DESIGN.md §1.2。 参考的三个同类项目（jev-browser-use / jkudish/jev-browser / forvela/jev-agent-browser） 也都不走"把动作墙交给模型"这条路——它们的形态是一个 delegate 工具 + 代码拥有循环。

状态（诚实清单）

| 项 | 状态 | |---|---| | 设置页（安装自检 summary + 平铺行流 + 开关/输入 + 打开配置文件） | ✅ 已实现 | | 安装自检：两项（CLI / Chrome）+ 帮忙装 CLI | ✅ 已实现（host @Remote probe/installCli + 客户端手写 contribution，pnpm verify:remote 交叉验证） | | 内置 skill（skills/agent-browser/：核心命令 + 5 份 references） | ✅ 已实现（ctx.skills.register() 运行时注册，装插件即得） | | browser_snapshot / browser_act / browser_read / browser_session / browser_screenshot | ✅ 已实现 | | browser_raw 逃生舱（白名单） | ✅ 已实现，默认关 | | browser_run（决策循环，judge = ctx.judgment） | ✅ 已实现并完成 39 任务真机基准验证（支持页面内抽取、inputs 一次填全、subgoals 阶段编排，以及 Jev + 上游 LLM 低成本早停交回闭环） | | CLI 版本要求 >=0.38.2（不设上限） | ✅ 已实现（0.38.2 实测基准；0.39.1 复验通过） | | 动作审计落盘 / 配额可视化 | ⏳ 见 DESIGN.md §8（M3） |

实测：pnpm probe 会 spawn 真浏览器跑一遍（版本下限 → snapshot refs → 按 ref 点击 → 陈旧 ref 被拒）。 注意探针只覆盖"元素被删除且没有同名幸存"这一类；同名顺位回退是 CLI 的已知行为 （DESIGN §1.1 表格 #9），探针不假装测它。

安装

dsh plugin --profile desktop add @j62268781-alt/dsh-agent-browser

包在 npm 上 （dsh-agent-browser 这个无 scope 名字在 npm 上已被他人占用，所以发到了 @j62268781-alt scope 下）。想直接跟仓库最新提交，也可以照旧从 git 装：

dsh plugin --profile desktop add https://github.com/j62268781-alt/dsh-agent-browser.git

装完在 设置 → 浏览器 里配置。本插件零 MCP：只在 enabled 为真时注册工具； 关掉「浏览器功能」= 一个工具都不进模型上下文。

agent-browser 需要单独装：

brew install agent-browser        # 或 npm i -g agent-browser
agent-browser --version           # 需要 >= 0.38.2（更新版本也可用）

工具面（窄核心 + 逃生舱）

| 工具 | 作用 | |---|---| | browser_snapshot | 无障碍树 + @eN refs，返回 origin / refs / digest。先快照再动作。 | | browser_act | 唯一变更入口，一次一个动作：click/fill/type/press/select/scroll/hover/check/uncheck/upload/dblclick/focus。可带 expectUrl / expectName 做执行前的新鲜度断言。 | | browser_read | 只读：read <url>（markdown / llms.txt 协商）或读元素的 text/html/value/attr/title/url/count。 | | browser_session | open / close / tabs。固定使用命名会话，不劫持别的 agent 或人类开着的窗口。 | | browser_screenshot | 截图（可关）。 | | browser_raw | 逃生舱：白名单内的其它 CLI 子命令（get / find / network / storage …）；禁 mcp/chat/install/plugin/connect/auth/--cdp/--profile。默认关。 | | browser_run | 决策开才注册：一句话 goal → 插件内部有界循环 → trace + handoff。 |

关于 ref

ref 大部分时候是元素身份绑定的（0.38.2 与 0.39.1 实测）：页面变了、元素没了、换页了，旧 ref 会给 Unknown ref / Could not locate element with role=… name=…。 但有一个例外：目标元素消失、页面上还有同名元素时，解析会退回 role+name 的序位匹配， 静默点到隔壁那个同名元素（如列表里连排的 Delete）。所以本插件不设 snapshot_id 强制门控， 而是靠每步重取 snapshot 消除决策窗口；browser_act 的 expectUrl / expectName 是额外保险——同名列表/批量操作用得上，建议显式给。详见 DESIGN.md §1.1（含复现命令）。

内置 skill

插件自带一份与已装 CLI 版本对齐的核心 skill（skills/agent-browser/）：

• SKILL.md（130 行）：核心循环、两个最容易做错的点（会话隔离、等待）、定位优先级、可见性/复用登录态、 安全护栏、排障表；
• references/：commands.md（34KB，需要时才读）、snapshot-refs.md、session-management.md、 authentication.md、trust-boundaries.md。

插件启动时用 ctx.skills.register() 把它注册成运行时 skill（resourceBase 指向 references 目录， 模型可按需读取绝对路径），并在末尾追加一段插件补充（工具名、browser_run、references 路径）—— SKILL.md 原文逐字不改，避免两份真相漂移。

为什么不直接用官方全量 skills：agent-browser skills get core --full 与 9 个专门技能（electron / slack / dogfood …）很全，但不适合作为常驻目录；需要时仍可用 agent-browser skills get <name> 现拉。

ctx.skills 是可选服务：宿主没装 dsh-skill 时跳过注册，插件其余部分照常工作。

安装自检（设置页顶部 summary）

进「设置 → 浏览器」自动跑一次，只有两项（路径之类的细节不显示）。按钮只有两个状态： 环境可用 → 灰色「已安装」（不可点）；环境不可用（或还没检查过）→ 「检查安装」（可点，修完能重新确认）。

| 项 | 通过 | 不通过 | |---|---|---| | agent-browser | 已安装 0.39.1（任何 ≥ 0.38.2 的版本） | 本机没安装 + 修法，并出现 [安装] 按钮（Homebrew 优先，否则 npm i -g；点了才跑） | | Chrome | 已就绪（Google Chrome 155） | 没找到 + 下载入口（Chrome 是必须项：没有它页面根本驱动不了） |

两项都过 → 卡片是绿的（浏览器环境就绪）；任一项不过 → 红，直接摊开原因与修法。

Chrome 为什么不帮忙装：brew install --cask google-chrome 在 macOS 上要管理员密码， 一个后台进程挂着等密码是最糟的交互。CLI 可以（纯用户态安装），Chrome 只给命令与链接。

Chrome 的判定优先用 CLI 自己的 agent-browser doctor --quick --json（约 0.5s，它认得环境变量、 engine 与自定义路径）；CLI 不可用时退回文件系统 / PATH 探测，消息写「没找到」而不是「没有」。

性能（实测，2026-10 · agent-browser 0.38.2）

| 被测 | 均值 | |---|---| | spawn /bin/echo（spawn 下限） | 1.2ms | | spawn bash -c …（bash 路线） | 1.4ms ← 比直接 spawn 更贵 | | agent-browser --version（PATH 上的 Node 包装脚本） | 57.3ms | | 原生二进制 --version / get title / snapshot -i / click @e2 | 3.1 / 3.7 / 5.1 / 16.8ms |

所以：

• 插件比"用 bash 调 CLI"更省，不是更贵：bash 是 shell + CLI 两次 spawn，插件是直接一次。
• PATH 上的 agent-browser 是 Node 包装脚本（Homebrew / npx 都如此），每次调用白付一份 Node 启动。 插件默认自动解析到同目录的原生二进制（agent-browser-<platform>-<arch>），砍掉 11–15 倍启动开销； 要指定别的就配 browser.executablePath（带 / 时原样使用）。brew upgrade 后旧路径失效会自动重解析重试一次。
• 决策循环里 CLI 不是瓶颈：一步 ≈ 22ms，而一次 Jev 判断是 500ms 量级；真正的收益是 N 步压进 1 个宿主轮次，而不是省那几毫秒。

pnpm probe 会打印实际使用的命令与每条命令耗时，数字可复跑。

决策（browser_run：Jev + 上游 LLM 低成本闭环）

「决策」开启后多一个 browser_run(goal, inputs?, subgoals?, allowIrreversible?)：插件内部跑一个有界循环——

每步页面内抽取候选（extract.ts 一次 eval 拿齐可见元素/状态/附近上下文 + 正文/标题/URL；必要时回退 a11y 树）
  → 确定性完成门（URL 新增段命中 / 弹层关闭消失 / 加购变 Remove / 下拉或勾选态全部达成 / 填值生效）
  → ctx.judgment.ask(state, { action: choice, goal_done, done_change, stuck, irreversible, login, page_error })
  → 停止门在**动作之前**判定（goal_done + 独立 confirm / likely_done / page_error / needs_login / stuck）
  → 首选动作无效时：仅当次优候选概率 p ≥ 0.25 才允许换路，否则**立即早停交回上游 LLM**（绝不盲点跳走）
  → 执行**一个**动作（或按调用方 `inputs` 直接填/选/勾）→ 记 history/diff → 下一步

核心纪律：

• 确定性门控优先，判断只做排序：域名白名单、不可逆拦截（needs_confirmation）、状态守卫（已勾选不再反点）、Enter 消费防重填等全部由代码确定性执行。
• Jev + 上游 LLM 低成本闭环：Jev 擅长的确定性步骤在单次工具调用内快速跑完；遇到复杂自定义组件或置信不足（ambiguous / no_progress / blocked / page_error / input_required），立即早停并在返回值里附带前 5 个可操作 candidates（含 ref 句柄）与 pageText 摘要——上游主模型无需再调一次 browser_snapshot，可直接用 browser_act 一步接管。
• 文字/密钥不猜：调用方可由 inputs 一次传入（敏感字段自动脱敏为 ●●●，绝不出境）；缺值时以 input_required 交回宿主。
• 结束语是 needs_verification，不是"已完成"——最终校验留给宿主（39 任务真机基准 false-done = 0）。
• 降级必须显式：没有 ctx.judgment、用途名未配置、密钥缺失、配额耗尽 → 类型化失败 + 明确文案，绝不静默退回主模型假装在决策。

判断走 dsh-judgment：在 设置 → 决策 里建一条连接， 把用途名 browser.action 指向它（默认值就是这个）。换厂商/模型/密钥只改那里，不动本插件。

开发

pnpm install
pnpm build            # host(tsc) + 客户端(esbuild → lib/client.js)
pnpm test             # 注册面 + 自检 + 页面渲染 + 纯逻辑 + 决策循环回归（201 项单测，离线可跑）
pnpm typecheck
pnpm verify:remote    # Remote 通路交叉验证（17 项）：host SRC fallback ↔ 手写 contribution
pnpm verify:served    # 问运行中的应用：boot 数据里有没有本插件的客户端半（7 项）
pnpm probe            # 真 CLI 探针（会开浏览器，结束前自动关掉自己的会话）
pnpm bench:tasks      # 真机任务集基准（支持 --tier offline,base,hard,guard --connection TypeSafe --repeat 3）

目录结构：

src/
├── config.ts         配置（schemastery；开关决定工具注册）
├── cli.ts            agent-browser CLI 薄封装：spawn · JSON 信封 · 版本下限 · 原生二进制解析
├── extract.ts        页面内 DOM 候选抽取（一次 eval 拿候选 + 状态 + 上下文 near + 正文/标题/URL）
├── env.ts            环境探测（Chrome / 安装计划 / 跑命令）——自检那两项的本机侧
├── skill.ts          内置 skill 的加载与注册
├── index.ts          入口：Service 类（工具注册 + @Remote probe 自检）
├── task.ts           向后兼容导出入口（re-export ./task/index.js）
└── task/             按核心职责拆分的决策循环模块
    ├── types.ts      公共类型、阈值常量（含 ALTERNATE_MIN_PROBABILITY = 0.25）与交回提示契约
    ├── utils.ts      纯工具函数（哈希、语义签名、快照 diff、键名/词元解析、截断）
    ├── candidates.ts 候选生成、目标相关性排序与特殊动作面（悬停/拖拽/按键）前置注入
    ├── gates.ts      确定性门控与字段状态核对（多子句勾选守卫、Enter 消费追踪、多跳 URL 证据、次优筛选）
    ├── judge.ts      Jev 协议问题构造、二阶段下拉选值、独立完成确认与分布缩容重采
    ├── actions.ts    浏览器动作执行（fill/select/click/hover/drag/press）与异步加载等待
    └── loop.ts       有界决策主循环（runTask）、有序子目标编排（runSubgoals）与上游 LLM 交回封装
client/               设置页（统一 JSX，esbuild 打成 window.__ModuleLoader__ 单文件）
skills/               随包发布的核心 skill（SKILL.md + references/）
bench/                39 任务真机基准套件（tasks.mjs · run.mjs · score.mjs · nav.mjs 状态隔离与导航诊断）
tests/                注册面 · 自检 · 抽取与门控纯逻辑 · 决策循环与基准单测（共 201 项）
scripts/              probe.mjs（真 CLI）· verify-remote.mjs（Remote 通路）· e2e-run.mjs

⚠️ 新增/客户端改动的生效方式（实测）：dsh plugin add 之后 app 会热组合新的 bundle （无需重启：boot 数据里立刻有本插件，skill 目录里也出现了 agent-browser）。 但 host 半是 Node 模块，改完 lib/index.js 要重启 DSH 才会换上新代码；客户端半重新构建即生效。 配置项写的是 volatile 字段：不会重建 entry，工具注册由服务监听 loader/volatile-update 自己重做， 所以改完即时生效、也不需要重启。

⚠️ 兼容性：DSH 的 boot 会把插件 peerDependencies 里 @deepseek-ai/dsh-* 的版本范围 拿去和「dsh 运行时版本」比对，不满足就整个跳过这个 bundle（日志一行 dsh: skipping profile bundle）。 所以这里用的是跨版本区间（>=0.2.0-rc.2 <0.3.0），不要精确钉死某个 dsh 版本。 当前验证过的运行时：dsh 0.2.1-rc.1 / cordis 4.0.5 / schemastery 3.18.5 / dsh-tools 0.2.1-rc.1 / dsh-typert-protocol 0.2.1-rc.1。

决策循环（browser_run）的设计参考了三家实现并做了实测校准： fan-out 五问里的停止门在动作之前；goal_done 只认「页面可见正文」这一个字段； 重复且无效的动作从概率分布里换次优候选；两次无效即停；状态超 12k 截断并显式标注； 结束时只给 needs_verification + next（"怎么验"），从不宣布完成。 真机端到端：pnpm e2e（真 Chrome + 真 Jev，两步点击后被独立确认为 SUCCESS）； 真机测试（真的 dsh 进程 + agent 自己调工具）：pnpm live --run "<任务>"； 每步观测走 CLI 的 batch（树+正文+标题一次进程，省 ~114ms）； 耗时基准（决策 vs 原子工具，hao123 首页）：pnpm bench； 真实网站手试：pnpm try --url <url> --goal "<目标>" [--expect <正则>] （实测 jevusers.com → Browser → jev-browser-use，2 步完成，见 docs/try-jevusers.png）。

⚠️ 「决策」依赖 dsh-judgment（依赖在 package.json 里显式声明：peerDependencies.dsh-judgment

• peerDependenciesMeta.dsh-judgment.optional = true，所以不装也能用插件，只是不能开决策）。 设置页的判定是四态的——ready（可开启）/ checking（自检未返回）/ unknown（自检失败或 host 半版本不匹配）/ missing（宿主明确说没有 ctx.judgment）。只有 ready 才允许开启： 其余三态开关一律置灰并说明原因；点开启时还会向宿主 checkJudgment() 现问一次（不信任缓存）， 依赖不在就不写配置。宿主侧也有兜底：apply() 发现 tools.decision 开着但依赖缺失只警告、不注册工具。

许可

MIT