你是否也被这些名词搞晕过？CDP是什么？和Playwright是什么关系？browser-use和Playwright到底有什么区别？midscene又是干嘛的？browsermcp怎么用？好不容易想用AI来操作浏览器自动化，结果光是搞懂这些工具之间的关系就耗尽了耐心。本文帮你彻底梳理清楚。

最底层：Chromium

Chromium是所有浏览器自动化的地基。Google Chrome、Microsoft Edge、Brave、360安全浏览器等，本质上都基于Chromium构建。当我们讨论浏览器自动化时，真正操作的是Chromium系浏览器对外暴露的CDP能力。

CDP：核心控制协议

CDP全称Chrome DevTools Protocol，是浏览器对外开放的远程控制协议。通过它可以让浏览器打开页面、执行JavaScript、读取DOM、监听网络、截图、输入文本、点击元素、管理Tab生命周期。CDP基于WebSocket通信，外部程序通过JSON命令控制浏览器。

Playwright：成熟的自动化框架

Playwright比cdp-use更高一层，它把整个浏览器自动化流程封装成了完整框架。核心优势包括：智能等待（自动等待元素出现）、多浏览器支持（Chromium/Firefox/WebKit）、多上下文管理、网络拦截、文件上传、录制回放。相比更早的Puppeteer，Playwright更完整、等待机制更智能、社区更活跃。

browser-use：专为AI设计

browser-use是Python库，专门为AI Agent工作流设计。它提供直观的CLI命令：open（打开页面）、state（查看元素）、click（点击）、input（输入）、screenshot（截图）。最实用的功能是身份复用：用--profile参数启动时，会复制系统Chrome的profile数据，拉起新的Chrome进程继承登录态——cookies、本地存储、登录凭证全部带过来。它最适合小红书、抖音等多平台后台视频上传等场景。

Midscene：视觉驱动方案

当遇到shadow DOM（影子DOM）时，browser-use和Playwright都会失效。shadow DOM是Web Components技术，把部分DOM结构封装起来，外部脚本无法直接访问。视频号后台大量使用wujie的shadow DOM，按钮明明看得见但自动化工具找不到。Midscene是字节跳动出品的AI多模态自动化框架，核心思路完全不同于传统方式：不是先理解DOM结构，而是先理解页面截图里有什么，然后AI视觉模型定位元素位置，再执行点击。这种方式可以攻克shadow DOM等复杂页面，但代价是慢（有视觉理解延迟）、贵（调用视觉模型有成本）、不够精确（依赖视觉判断而非选择器）。

browsermcp：AI直连当前浏览器

browsermcp是Chrome官方出品的MCP服务器，让AI直接连接你当前正在使用的浏览器，而不是重新拉起一个新浏览器。它可以让AI直接看到当前浏览器状态并继续操作，适合日常AI辅助编程和调试。目前还不完美：文件选择类操作暂时不支持，复杂交互场景覆盖不全，仍在快速迭代中。

技术全景图

所有工具是一套逐层生长的技术链：最底层是Chromium底座，核心能力是CDP协议，往上是cdp-use底层封装，再往上是Playwright工程框架，然后分出browser-use（面向Agent）、Midscene（视觉路线）、browsermcp（上下文路线）三条路线。它们不是竞争替代关系，而是互补的。

实战建议

爬虫/数据采集选Playwright；多平台视频自动发布（小红书/抖音）选browser-use；视频号后台自动化选Midscene；日常AI辅助编程选browsermcp；从零搭建稳定自动化系统选Playwright加自定义封装。

结语

过去浏览器的所有能力都是为「人」设计的，现在越来越多能力开始为「AI」准备。browser-use让AI像人一样逐步操作浏览器，Midscene让AI用看图理解绕过DOM限制，browsermcp让AI接入人的浏览器上下文。技术演进的规律从未改变：CDP的诞生让程序可以控制浏览器，Playwright让开发者可以稳定写自动化脚本，browser-use让AI可以自然操作浏览器。每一步都是把「人肉操作」变成「程序执行」再变成「AI决策」的过程。现在，也许我们正在见证第三步的开始。