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 | Puppeteer | Playwright |
|---|---|---|
| 浏览器支持 | 仅 Chromium | Chromium + 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 UI | OpenAI 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 Use | Claude 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 Playwright | Agent 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
- Playwright 官方文档
- Playwright GitHub 仓库(70k+ stars,Apache 2.0)
- Puppeteer GitHub 仓库(Google 维护)
- Playwright MCP Server(微软官方)
- Browser Use(开源 Web Agent 框架)
- Stagehand(Browserbase 出品)
- Model Context Protocol (MCP)(Anthropic 提出)
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。