Playwright MCP:让 Agent 用结构化快照操作浏览器
结论
Playwright MCP 把浏览器操作变成 Agent 可调用的工具,并把页面表示成结构化快照,而不是让模型看图猜坐标。对需要登录、点击、填表或检查控制台的流程,它比纯 HTML 抓取更接近真实用户路径。
它解决什么问题
让 Agent 验证页面时,截图需要视觉模型,原始 HTML 又太吵;按 CSS 选择器硬编码又容易随改版失效。Playwright MCP 用可访问性树描述页面,元素带可引用的编号,同时提供导航、点击、填表、等待、读取控制台和网络请求等工具。Agent 可以先看快照,再决定操作哪个元素,形成「观察—操作—再观察」的循环。
我的实验
用 MCP Inspector 列出工具,共 25 个,包括 browser_navigate、browser_snapshot、browser_click、browser_fill_form、browser_console_messages 和 browser_network_requests。随后在无头模式下打开 https://example.com:
npx @modelcontextprotocol/inspector --cli \
npx -y @playwright/mcp@0.0.85 --headless \
--method tools/call --tool-name browser_navigate \
--tool-arg url=https://example.com
返回了页面 URL、标题 Example Domain,以及一份 YAML 格式的页面快照,而不是截图。快照里能看到标题、段落和链接的结构,Agent 可以直接据此定位元素。
限制
- 需要可用的浏览器环境;在服务器上要额外处理依赖和无头配置。
- 快照会写到
.playwright-mcp/,应加入忽略列表,避免误提交。 - 点击、输入、上传等工具会改变状态,接入时要限制允许的域名和操作。
- CLI 每次调用是独立会话,多步流程要么用持久会话,要么在 Agent 内完成。
- 它适合探索和复现,不替代确定性的端到端测试套件。
适合谁
需要让 Agent 做端到端测试、复现页面问题或操作后台的人。只读公开页面时,普通抓取工具更轻。