AI导哈

浏览器自动化服务

Playwright MCP是一款基于Playwright的浏览器自动化服务器，通过结构化可访问性快照使LLM能够与网页交互，无需截图或视觉模型。适用于网页导航、数据提取、自动化测试等场景。

  • by SleepyRabbit
  • 本地部署
  • 更新于
在 GitHub 查看 sleepyrabbit/playwright-mcp

使用说明

剧作家MCP

一种模型上下文协议（MCP）服务器，使用以下方式提供浏览器自动化功能 剧作家此服务器使LLM能够通过结构化的可访问性快照与网页交互，从而绕过了对屏幕截图或视觉优化模型的需要。

主要特点

  • 快速轻便：使用Playwright的可访问性树，而不是基于像素的输入。
  • LLM友好无需视觉模型，仅基于结构化数据进行操作。
  • 确定性工具应用：避免了基于屏幕截图的方法中常见的歧义。

用例

  • Web导航和表单填写
  • 从结构化内容中提取数据
  • LLM驱动的自动化测试
  • 代理的通用浏览器交互

配置示例

{
  "mcpServers": {
    "playwright": {
      "command": "npx",
      "args": [
        "@playwright/mcp@latest"
      ]
    }
  }
}

在VS代码中安装

使用以下按钮之一在VS Code中安装Playwright MCP服务器：

或者，您可以使用VS Code CLI安装Playwright MCP服务器：

# For VS Code
code --add-mcp '{"name":"playwright","command":"npx","args":["@playwright/mcp@latest"]}'

# For VS Code Insiders
code-insiders --add-mcp '{"name":"playwright","command":"npx","args":["@playwright/mcp@latest"]}'

安装后，Playwright MCP服务器将可用于VS Code中的GitHub Copilot代理。

CLI选项

Playwright MCP服务器支持以下命令行选项：

  • --browser <browser>：要使用浏览器或chrome频道。可能值：
    • chrome, firefox, webkit, msedge
    • Chrome频道： chrome-beta, chrome-canary, chrome-dev
    • 边缘通道： msedge-beta, msedge-canary, msedge-dev
    • 违约： chrome
  • --caps <caps>：以逗号分隔的要启用的功能列表，可能的值：选项卡、pdf、历史记录、等待、文件、安装。默认值为全部。
  • --cdp-endpoint <endpoint>：要连接的CDP终结点
  • --executable-path <path>：浏览器可执行文件的路径
  • --headless：在无头模式下运行浏览器（默认情况下为无头模式）
  • --port <port>：监听SSE运输的港口
  • --user-data-dir <path>：用户数据目录的路径
  • --vision：运行使用屏幕截图的服务器（默认情况下使用Aria快照）

用户数据目录

Playwright MCP将启动带有新配置文件的浏览器，位于

- `%USERPROFILE%\AppData\Local\ms-playwright\mcp-chrome-profile` on Windows
- `~/Library/Caches/ms-playwright/mcp-chrome-profile` on macOS
- `~/.cache/ms-playwright/mcp-chrome-profile` on Linux

所有登录信息都将存储在该配置文件中，如果您想清除脱机状态，可以在会话之间删除它。

运行无头浏览器（无GUI的浏览器）。

此模式适用于后台或批处理操作。

{
  "mcpServers": {
    "playwright": {
      "command": "npx",
      "args": [
        "@playwright/mcp@latest",
        "--headless"
      ]
    }
  }
}

在Linux上运行带显示器的浏览器

当在无显示器的系统上或从IDE的工作进程运行带头浏览器时， 使用DISPLAY从环境中运行MCP服务器，并传递 --port 标志以启用SSE传输。

npx @playwright/mcp@latest --port 8931

然后在MCP客户端配置中，设置 url 到SSE端点：

{
  "mcpServers": {
    "playwright": {
      "url": "http://localhost:8931/sse"
    }
  }
}

工具模式

这些工具有两种模式：

  1. 快照模式 （默认）：使用可访问性快照以获得更好的性能和可靠性
  2. 视觉模式：使用屏幕截图进行基于视觉的交互

要使用视觉模式，请添加 --vision 启动服务器时标记：

{
  "mcpServers": {
    "playwright": {
      "command": "npx",
      "args": [
        "@playwright/mcp@latest",
        "--vision"
      ]
    }
  }
}

视觉模式与能够使用以下方式与元素交互的计算机使用模型配合使用效果最佳 X Y坐标空间，基于提供的屏幕截图。

自定义传输的程序化使用

import { createServer } from '@playwright/mcp';

// ...

const server = createServer({
  launchOptions: { headless: true }
});
transport = new SSEServerTransport("/messages", res);
server.connect(transport);

基于快照的交互

  • 浏览器点击

    • 说明：在网页上执行点击操作
    • 参数：
      • element （string）：人类可读的元素描述，用于获得与元素交互的权限
      • ref （string）：页面快照中的精确目标元素引用

  • 浏览器切换

    • 描述：将鼠标悬停在页面上的元素上
    • 参数：
      • element （string）：人类可读的元素描述，用于获得与元素交互的权限
      • ref （string）：页面快照中的精确目标元素引用

  • browser_drag

    • 说明：在两个元素之间执行拖放操作
    • 参数：
      • startElement （string）：人类可读的源元素描述，用于获得与元素交互的权限
      • startRef （string）：页面快照中的精确源元素引用
      • endElement （string）：人类可读的目标元素描述，用于获得与元素交互的权限
      • endRef （string）：页面快照中的精确目标元素引用

  • 浏览器类型

    • 说明：在可编辑元素中键入文本
    • 参数：
      • element （string）：人类可读的元素描述，用于获得与元素交互的权限
      • ref （string）：页面快照中的精确目标元素引用
      • text （string）：要在元素中键入的文本
      • submit （布尔值，可选）：是否提交输入的文本（之后按Enter键）
      • slowly （boolean，可选）：是否一次键入一个字符。可用于触发页面中的密钥处理程序。默认情况下，一次填写整个文本。

  • 浏览器选择选项

    • 说明：在下拉列表中选择一个选项
    • 参数：
      • element （string）：人类可读的元素描述，用于获得与元素交互的权限
      • ref （string）：页面快照中的精确目标元素引用
      • values （array）：在下拉列表中选择的值数组。这可以是单个值或多个值。

  • 浏览器快照

    • 描述：捕获当前页面的可访问性快照，这比截图更好
    • 参数：无

  • browser_take_screenshot

    • 描述：截取当前页面的屏幕截图。您无法根据屏幕截图执行操作，请使用browser_snapshot进行操作。
    • 参数：
      • raw （boolean，可选）：是否返回不压缩（PNG格式）。默认值为false，返回JPEG图像。

基于视觉的交互

  • 浏览器_屏幕_move_mouse

    • 说明：将鼠标移动到给定位置
    • 参数：
      • element （string）：人类可读的元素描述，用于获得与元素交互的权限
      • x （数字）：X坐标
      • y （数字）：Y坐标

  • 浏览器屏幕捕获

    • 描述：截取当前页面的屏幕截图
    • 参数：无

  • 浏览器_屏幕_点击

    • 说明：点击鼠标左键
    • 参数：
      • element （string）：人类可读的元素描述，用于获得与元素交互的权限
      • x （数字）：X坐标
      • y （数字）：Y坐标

  • 浏览器屏幕拖动

    • 说明：拖动鼠标左键
    • 参数：
      • element （string）：人类可读的元素描述，用于获得与元素交互的权限
      • startX （数字）：开始X坐标
      • startY （数字）：开始Y坐标
      • endX （数字）：结束X坐标
      • endY （数字）：结束Y坐标

  • 浏览器屏幕类型

    • 说明：键入文本
    • 参数：
      • text （string）：要键入的文本
      • submit （布尔值，可选）：是否提交输入的文本（之后按Enter键）

  • browser_press_key

    • 说明：按键盘上的一个键
    • 参数：
      • key （string）：要按的键的名称或要生成的字符，例如 ArrowLeft 或 a

选项卡管理

  • browser_tab_list

    • 说明：列出浏览器选项卡
    • 参数：无

  • browser_tab_new

    • 说明：打开一个新选项卡
    • 参数：
      • url （字符串，可选）：在新选项卡中导航到的URL。如果没有提供，新选项卡将为空。

  • 浏览器选项卡选择

    • 说明：按索引选择选项卡
    • 参数：
      • index （数字）：要选择的选项卡的索引

  • browser_tab_close

    • 说明：关闭选项卡
    • 参数：
      • index （数字，可选）：要关闭的选项卡的索引。如果未提供，则关闭当前选项卡。

导航

  • 浏览器导航

    • 描述：导航到URL
    • 参数：
      • url （string）：要导航到的URL

  • 浏览器导航返回

    • 说明：返回上一页
    • 参数：无

  • 浏览器导航转发

    • 说明：转到下一页
    • 参数：无

键盘

  • browser_press_key
    • 说明：按键盘上的一个键
    • 参数：
      • key （string）：要按的键的名称或要生成的字符，例如 ArrowLeft 或 a

控制台

  • browser_console_消息
    • 说明：返回所有控制台消息
    • 参数：无

文件和媒体

  • 浏览器文件上传

    • 说明：选择一个或多个文件进行上传
    • 参数：
      • paths （array）：要上传的文件的绝对路径。可以是单个文件或多个文件。

  • 浏览器_pdf_save

    • 说明：将页面另存为PDF
    • 参数：无

公用事业

  • 浏览器等待

    • 说明：等待指定的时间（秒）
    • 参数：
      • time （数字）：等待时间（以秒为单位）（上限为10秒）

  • 浏览器大小

    • 说明：调整浏览器窗口大小
    • 参数：
      • width （number）：浏览器窗口的所需宽度
      • height （数字）：浏览器窗口的理想高度

  • 浏览器处理对话框

    • 描述：处理浏览器对话框（警告、确认、提示）
    • 参数：
      • accept （boolean）：是否接受或关闭对话框
      • promptText （字符串，可选）：在提示对话框中输入的文本

  • 浏览器_关闭

    • 说明：关闭页面
    • 参数：无

  • 浏览器安装

    • 说明：安装配置中指定的浏览器。如果您收到浏览器未安装的错误，请调用此命令。
    • 参数：无

相关 MCP