纪录一下浏览器自动化操作的库和MCP组件。有不对的地方，请留言。

一、传统自动化库

• Selenium (2004年推出)
  最早的开源浏览器自动化框架，开启了Web自动化测试时代，支持多语言与多浏览器。
• Puppeteer (2017年推出)
  由Google开发，专注于Chrome/Chromium的Node.js库，提供强大的DevTools协议控制能力。
• Playwright (2020年推出)
  由Microsoft推出，跨浏览器（Chromium、Firefox、WebKit）自动化框架，具备更现代的多上下文与网络拦截能力。
  支持MCP协议，可集成于AI智能体工作流。

二、组件开发工具

• Storybook.js
  广泛应用于UI组件的独立开发、测试与文档化，尤其适合前端组件库与设计系统。

三、新兴AI原生自动化方案

• BrowserUse (支持MCP)
  微软开源，基于Playwright的AI智能体框架，允许通过自然语言指令驱动浏览器操作。
• Midscene.js (支持MCP)
  字节跳动开源的多模态AI自动化SDK，融合视觉/语言大模型与Playwright/Puppeteer，实现感知-决策-执行闭环。
• Skyvern (支持MCP)
  采用视觉大模型（Vision LLMs）与计算机视觉技术，直接解析页面视觉元素进行操作，不依赖DOM结构。

主要特性对比

1. 传统脚本驱动

• 核心原理：直接操控网页代码（DOM）。
• 模型依赖：无。
• 执行速度：非常快。
• 抗变化能力：弱，页面结构一变，脚本容易失效。
• 开发难度：需要编程，维护成本高。
• 典型工具：Playwright (功能全面)、Puppeteer (控制Chrome深度最佳)、Selenium (兼容性广)。

2. 结构化文本驱动

• 核心原理：将网页代码转为文本描述，让大语言模型理解。
• 模型依赖：纯文本大语言模型。
• 执行速度：较快。
• 抗变化能力：中等，有一定语义理解能力。
• 开发难度：用自然语言描述任务，较简单。
• 典型工具：BrowserUse。

3. 视觉模型驱动

• 核心原理：让AI“看”网页截图来操作，不依赖底层代码。
• 模型依赖：视觉大模型。
• 执行速度：较慢（需截图和AI推理）。
• 抗变化能力：强，不受代码结构变化影响。
• 开发难度：用自然语言描述任务，较简单。
• 典型工具：Skyvern。

4. 多模态集成

• 核心原理：结合“看”截图和“操作”底层代码两种方式。
• 模型依赖：多模态或纯文本大语言模型（可更换）。
• 执行速度：取决于具体模式。
• 抗变化能力：强（视觉模式下）。
• 开发难度：用自然语言描述任务，提供调试工具。
• 典型工具：Midscene.js。

快速选型指南

你可以根据最关心的需求来决策：

• 如果你的核心需求是“稳定和效率”，且操作对象是结构固定的页面：优先选择 传统脚本驱动 工具。在新项目中，Playwright 通常是功能最均衡的现代选择。
• 如果你希望“用自然语言快速让AI操作网页”，且需要平衡成本与鲁棒性：可以尝试 结构化文本驱动 的 BrowserUse。
• 如果你要操作的页面“视觉复杂、动态多变”（如含大量Canvas），或需进行视觉验证：视觉模型驱动 的 Skyvern 是专为此设计的。
• 如果你的任务“步骤复杂”，需要高度定制和灵活的AI能力：多模态集成 的 Midscene.js 提供了强大的 SDK 和调试工具。