Agent 能做什么
通过 Browser Relay 扩展，Agent 获得一组离散的、可对已连接 Chrome 执行的操作。本页是这个目录。
标签页管理
| 方法 | 作用 |
|---|---|
browser.tabs.list | 枚举所有打开的 tab：URL、title、活跃态、window ID、audible 标志、加载状态 |
browser.tabs.create | 新建 tab，可选 URL |
browser.tabs.navigate | 在已有 tab 中加载 URL |
browser.tabs.reload | 刷新 tab |
browser.tabs.close | 关闭 tab |
扩展侧这些方法无状态——每次调用直接走 Chrome 标准 chrome.tabs API。
截屏
| 方法 | 作用 |
|---|---|
browser.tabs.capture | 截取 tab 可视区域为 JPEG（质量 80）base64，并附 viewport 宽高。优先用 CDP Page.captureScreenshot；CDP 不可用时回退 chrome.tabs.captureVisibleTab。 |
返回图像带有尺寸信息，Agent 之后想基于看到的内容做像素级坐标动作时可用。
Debugger Protocol (CDP)
| 方法 | 作用 |
|---|---|
browser.debugger.attach | 给 tab 附加 Chrome debugger（协议版本 1.3） |
browser.debugger.detach | 分离 debugger |
browser.debugger.sendCommand | 转发任意 CDP 方法（如 Runtime.evaluate、Page.captureScreenshot、DOM.describeNode） |
CDP 是最强大的面——通过 sendCommand，Agent 可以：
- 在页面上下文中执行 JS（
Runtime.evaluate）。 - 遍历 DOM（
DOM.getDocument、DOM.querySelector）。 - 监听事件——JS 弹窗、网络活动、页面生命周期。
附加 debugger 时扩展会自动接管 JS 弹窗（alert / confirm），避免阻塞自动化。
DOM 助手
桌面客户端把常见 CDP 用法封装成更高级的 helper 供 Agent 直接调用：
| 操作 | 作用 |
|---|---|
| 读页面内容 | title、URL、innerText（截断到 60,000 字符，带 truncation flag） |
| 摘要 DOM | 提取最多 200 个交互元素（按钮、链接、输入、自定义 role），含 CSS selector、bounding box、可见性、text/aria-label、disabled |
| 按 selector 点击 | 点击 CSS selector 指定的元素 |
| 按 selector 键入 | 向 CSS selector 指定的输入键入 |
| 滚动 | 滚动页面或指定滚动容器 |
| 上传文件 | 用本地文件路径触发指定 CSS selector 的 file input |
Agent 的典型流程：
- 截图看页面。
- 摘要 DOM 学习 selector。
- 用具体 selector 调用 click / type。
通过中继做不了的事
- 跨浏览器重启保留状态。扩展本身不存储你的任何浏览数据。
- 读浏览历史或书签。这些 Chrome API 不在扩展权限集里。
- 改 Chrome 设置。扩展不申请
chrome.management等。 - 触碰其他扩展。中继没有跨扩展消息。
- 在隐身模式下操作。Manifest V3 +
debugger权限默认不延伸到隐身。要在隐身工作，需在chrome://extensions中显式给该扩展启用隐身权限；否则隐身 tab 对 Agent 不可见。
并发
中继同一时间只对一个 tab 附加 debugger。Agent 可以驱动多个 tab，但顺序执行。"跟着这个链接、截图、回来、点另一个"的流程很常见；"并行做三件事"则不行。
限制与配额
- 截图固定 JPEG 80 质量——对视觉模型够用、又不撑爆 context。
- innerText 上限 60,000 字符。超长会显式截断并带 flag。
- DOM 摘要单次上限 200 个交互元素。更多元素时 Agent 通过滚动 + 重新摘要分页。