你可能注意到了:几乎每篇 Agent 开发的文章里都会提到 Playwright。一个浏览器自动化测试框架,为什么在 AI Agent 领域反复出现?这篇文章从 Puppeteer 到 Playwright 的演进讲起,拆解 Playwright 在 Agent 架构中扮演的角色——以及一个正在兴起的实践:用 Agent 驱动 Playwright 做自动化测试。

Agent 什么都能做,就是上不了网

你做了一个 Agent:它能调用 OpenAI 的 API 做推理,能查 PostgreSQL 数据库做 RAG 检索,能发邮件、写文件。然后你对它说:

“帮我去携程查一下明天北京到上海的最低机票价格。”

Agent 卡住了。它有”大脑”(LLM 推理),有”记忆”(数据库检索),但没有眼睛去看网页内容,也没有手去点击按钮、填写表单。

这就是 Playwright 出场的地方——它让 Agent 拥有操控真实浏览器的能力。在 Agent 的架构中,Playwright 就是那双”手和眼”。

但在此之前,得先回答一个更基本的问题:浏览器自动化工具那么多,为什么偏偏是 Playwright 成了 Agent 生态的事实标准?

从 Puppeteer 到 Playwright:主流为什么转了

Puppeteer 的时代

2017 年,Google 发布了 Puppeteer——一个通过 Chrome DevTools Protocol(CDP)直接控制 Chrome 的 Node.js 库。它一出现就受到追捧,因为之前的方案(Selenium + WebDriver)太重了:要装浏览器驱动、要走 HTTP 协议跳转、速度慢、配置复杂。Puppeteer 直接连 CDP,又快又轻,迅速成为浏览器自动化和爬虫的首选。

但 Puppeteer 有一个从诞生就刻在基因里的限制:只支持 Chrome。Firefox、Safari 一概不支持。

核心团队跳到微软,造了 Playwright

2020 年,Puppeteer 的核心开发者从 Google 跳到微软,发布了 Playwright(业界广泛报道,见文末备注)。Playwright 不是 Puppeteer 的简单翻版——它解决了 Puppeteer 最重要的三个短板。

维度PuppeteerPlaywright
浏览器支持仅 ChromiumChromium + Firefox + WebKit(Safari 引擎)
自动等待无,需手写 waitForSelector 等原生内置——元素就绪才操作
页面快照DOM 树 / 截图无障碍树(Accessibility Tree / a11y snapshot)
多上下文隔离较弱原生 BrowserContext,隔离 cookie/session
测试框架需搭配 Jest / Mocha内置 @playwright/test
语言支持Node.js 为主TypeScript、Python、Java、.NET 官方一等支持

这三个差异里,前两个(跨浏览器、自动等待)让 Playwright 在传统测试领域快速蚕食 Puppeteer 的份额。但真正让它在 Agent 时代”赢者通吃”的,是第三个:无障碍树快照。

为什么 a11y 快照改变了游戏

传统浏览器自动化获取页面信息的方式是读 DOM 树——一棵巨大的、充满 <div> 和嵌套标签的 HTML 结构。对人来说可读性极差,对 LLM 来说 Token 消耗巨大且充满噪音。

Playwright 提供了 Accessibility API(page.accessibility.snapshot()),直接获取页面的无障碍树(Accessibility Tree)。这是一棵语义化的树,只保留对用户有意义的信息:

// DOM 方式(节选)—— 又长又乱
<div class="search-bar__container">
  <div class="input-wrapper">
    <input type="text" id="search-input" class="form-control" placeholder="搜索..." />
  </div>
  <button class="btn btn-primary search-btn" onclick="doSearch()">
    <span class="icon icon-search"></span>
    <span class="btn-text">搜索</span>
  </button>
</div>

// a11y 快照方式——干净、语义化
- textbox "搜索..." (ref: e5)
- button "搜索" (ref: e7)

a11y 快照把一坨 HTML 压缩成了”这里有个文本框叫’搜索’,这里有个按钮叫’搜索’“。这正是 LLM 理解页面最高效的方式——不需要 CSS class,不需要 DOM 层级,只需要元素是什么、叫什么、能做什么。

这个能力在 2020 年发布时,没多少人意识到它的价值。直到 2024 年 Agent 时代爆发,所有人突然发现:a11y 快照简直就是为 LLM 量身定做的页面描述格式。

Playwright 在 Agent 架构中的位置

一张图看懂

┌─ Agent Loop ──────────────────────────────────┐
│                                               │
│  用户: "帮我查明天北京到上海的机票"             │
│       │                                       │
│       ▼                                       │
│  LLM 思考: 需要打开浏览器搜索航班               │
│       │                                       │
│       ▼                                       │
│  ┌─────────────────────────────────────┐      │
│  │ Tool: browser_navigate(url)         │ ◄── Playwright
│  │ Tool: browser_snapshot()            │ ◄── Playwright
│  │ → LLM 读到快照:                     │      │
│  │   e3: textbox "出发城市"             │      │
│  │   e5: textbox "到达城市"             │      │
│  │   e7: button "搜索"                 │      │
│  │ Tool: browser_fill(e3, "北京")      │ ◄── Playwright
│  │ Tool: browser_fill(e5, "上海")      │ ◄── Playwright
│  │ Tool: browser_click(e7)            │ ◄── Playwright
│  │ Tool: browser_snapshot()            │ ◄── Playwright
│  │ → LLM 读到搜索结果页快照             │      │
│  │ → 提取价格信息                       │      │
│  └─────────────────────────────────────┘      │
│       │                                       │
│       ▼                                       │
│  返回用户: "明天最低价 ¥520,东航 MU5103"      │
│                                               │
└───────────────────────────────────────────────┘

在你的 Agent 维度地图里,Playwright 属于 D08 工具层——它是一个特殊的 Tool:Browser Tool。和其他 Tool(查数据库、调 API)一样,它通过 function calling 暴露给 LLM,LLM 自主决定何时调用。

为什么 fetch / curl 不够用

有人会问:Agent 要读网页,用 fetch 抓 HTML 不就行了?

不行。现代 Web 页面大量使用 JavaScript 动态渲染,fetch 拿到的是一堆未执行的 <script> 标签,看不到实际内容。更别说需要登录态的页面、有反爬机制的网站、需要点击”加载更多”才能显示的列表。

只有真实浏览器才能可靠地与 Web 交互——这是 Playwright 不可替代的根本原因。

两种 Agent 操控浏览器的范式

目前 Agent 操控浏览器有两种主流方式,Playwright 都是底层引擎:

范式怎么做优势劣势代表
快照驱动Playwright 获取 a11y 快照 → 文本喂给 LLM → LLM 输出”点击 e5”快、便宜(纯文本)、结构清晰看不到 Canvas/图片/视频等非文本 UIOpenAI CUA、Playwright CLI
视觉驱动Playwright 截图 → 图片喂给多模态 LLM → LLM 输出坐标点击像人一样”看”屏幕,不依赖 DOM慢、Token 成本高(每张图几百到几千 Token)Anthropic Computer Use、Browser Use

两种范式不是互斥的——成熟的项目通常混合使用:先看快照理解结构,遇到复杂视觉场景再截图辅助判断。

Agent + Playwright 做自动化测试:一个正在兴起的实践

这是 Playwright 在 Agent 领域最让人兴奋的方向之一——不是让 Agent”用浏览器办事”,而是让 Agent自己写测试、跑测试。

传统自动化测试的痛点

写过 E2E 测试的人都知道,最大的痛苦是脆弱性:

// 传统写法:依赖 CSS 选择器,一改 UI 就挂
await page.click('.search-bar__container > .btn-primary');
await expect(page.locator('.result-list .item:nth-child(1) .price')).toHaveText('¥520');

UI 改一个 class 名、调一下层级、换个布局,测试就挂了。团队花在”修测试”上的时间往往和写测试一样多。

Agent 驱动的测试:理解意图,不依赖选择器

用 Agent + Playwright,思路完全变了。Agent 读 a11y 快照,理解页面语义,然后基于意图操作:

测试指令: "搜索北京到上海的机票,验证结果列表不为空"

Agent 执行:
1. snapshot() → 看到:
   - textbox "出发城市" (e3)
   - textbox "到达城市" (e5)
   - button "搜索" (e7)

2. fill(e3, "北京") → fill(e5, "上海") → click(e7)

3. snapshot() → 看到:
   - list "搜索结果"
     - listitem "东航 MU5103 ¥520"
     - listitem "国航 CA1831 ¥680"
     - listitem "南航 CZ6411 ¥590"

4. 断言: 结果列表包含 3 条,价格在合理范围 ✓

关键区别:Agent 不需要知道按钮的 class 是什么,它只需要知道”页面上有个叫’搜索’的按钮”。UI 改版了?class 名变了?没关系——只要按钮还叫”搜索”,Agent 就能找到它。

优势与当前局限

优势:

  • 自愈性:UI 变了但语义没变,Agent 仍然能操作——不脆
  • 自然语言指令:用”验证搜索结果不为空”代替一堆选择器断言,可读性高
  • 自适应:遇到弹窗、广告、Cookie 提示等意外元素,Agent 能自己处理,不会像脚本一样卡死

当前局限:

  • 速度:每一步都要调 LLM 推理,比纯脚本慢一个数量级
  • 成本:每次测试消耗 LLM Token,跑一次回归测试可能花费几美元
  • 确定性:LLM 是概率性的,同一个测试可能这次找到按钮、下次没找到——这在测试领域是大忌
  • 复杂断言弱:验证”价格降序排列”这种逻辑断言,Agent 不如显式代码可靠

因此,当前的实践趋势是混合模式:Agent 负责导航和交互(自愈、自适应),传统断言代码负责验证(确定性、精确)。代表项目包括 Browser Use、Stagehand(Browserbase 出品)等,都在探索这条路。

这个方向值得单独展开,后续可以专门写一篇”Agent 驱动的自动化测试实践”。

生态全景:谁在用 Playwright 做 Agent

项目定位与 Playwright 的关系
OpenAI CUA (Computer-Using Agent)OpenAI 的”用电脑”Agent底层用 Playwright 驱动浏览器部分
Browser Use开源 Web Agent 框架基于 Playwright,封装成 Agent 可调用的 Tool
Stagehand (Browserbase)AI 浏览器自动化框架在 Playwright 之上加 AI 语义层
Skyvern开源工作流自动化 Agent用 Playwright 做浏览器执行层
Anthropic Computer UseClaude 的”操控电脑”能力截屏+点击方案,思路类似
Playwright MCP Server微软官方 MCP Server把 Playwright 暴露为 MCP Tool,任何支持 MCP 的 Agent 都能调用

最后一行值得多说一句。MCP(Model Context Protocol) 是 Anthropic 提出的”Agent 工具协议”,正在成为 Agent 生态的连接标准。微软官方出了 Playwright MCP Server,意味着任何支持 MCP 的 Agent(包括 Claude、以及越来越多的开源 Agent 框架)都能直接调用 Playwright 操控浏览器——不需要自己写集成。

这是 Playwright 在 Agent 生态中”无处不在”的另一个结构性原因:它不只被某个框架绑定,而是通过 MCP 成为跨框架的共享浏览器能力。

总结

问题答案
Playwright 是什么微软开发的跨浏览器自动化框架,驱动真实浏览器
为什么 Agent 需要 PlaywrightAgent 的 Tool 只能调 API,但大量任务需要操控真实浏览器——Playwright 是那双”手和眼”
为什么不是 Puppeteer跨浏览器支持 + 自动等待 + a11y 快照,三个差异让 Playwright 在 Agent 时代赢者通吃
a11y 快照为什么关键把 DOM 压缩成语义化的元素列表,是 LLM 理解页面最高效的格式
Agent + 测试的新实践Agent 基于语义理解操作页面而非选择器,测试不再因 UI 改版而脆弱
生态地位OpenAI CUA、Browser Use、Playwright MCP Server 都以它为底座

一句话带走:如果 Function Calling + Agent Loop 是 Agent 的大脑和心脏,Guardrail 是刹车,Trace 是透视眼,那么 Playwright 就是 Agent 的手和眼——让它能看见并操控真实的 Web 世界。

参考来源

注:文中「Puppeteer 核心开发者从 Google 跳到微软创建 Playwright」为业界广泛报道的说法,因网络受限未能联网核实原始出处,读者可自行查证。