核心思路：把浏览器操作变成工具整个 Agent 的核心逻辑其实不复杂：你把 Playwright 的常用操作封装成一个个工具函数，LLM 根据用户指令决定调用哪些工具、按什么顺序调。我用的方案是 LangGraph + Ollama。LangGraph 负责控制 Agent 的执行流程，Ollama 负责推理决策。先封装浏览器工具：这些函数看着简单，但每个都藏着坑。后面会细说怎么让它们更稳。搭建 Agent有了工具，下一步是让 LLM 学会用它们。我这里用 LangGraph 搭了一个简单的 ReAct 风格的 Agent：跑起来大概是这样的：让 Agent 更稳的几个关键点上面这套能跑，但离“稳”还差得远。下面是我踩坑之后总结的几个关键优化。1. 选择器要够鲁棒这是最大的坑。LLM 生成的 selector 经常是精确匹配的 CSS 选择器，页面稍微一变就完蛋。Playwright 本身支持 基于角色的定位器（get_by_role）和 基于文本的定位器（get_by_text），这些比 CSS 选择器稳定得多。但问题是 LLM 默认不太会用。我的做法是在工具描述里显式告诉 LLM 优先用什么：TOOLS_DESC = """填表时，优先使用以下方式定位元素（按优先级）：1. placeholder 文本：`input[placeholder="搜索"]`2. 角色+名称：`role="button", name="登录"`3. aria-label：`[aria-label="关闭"]`4. 最后才用 class 或 id"""实测下来，加了这段提示之后 selector 失效的概率降了一大截。
发布于 北京
分享
评论
1
未登录
友善发言
评论
加载中
