Playwright MCP：让 AI 直接操作浏览器的工具

微软最近开源了 Playwright MCP 项目，Star 数已经到了 3.4 万。这个项目做的事情很明确，给 AI 提供一套标准化的浏览器操作接口。

做 AI 应用开发的人应该都有这个体会：想让 AI 帮你操作网页，要么写一堆 Selenium 脚本，要么用截图让视觉模型去识别页面元素。前者代码量大，后者识别准确率不稳定。Playwright MCP 走了第三条路。

工作原理

Playwright MCP 的核心思路是用**可访问性树（Accessibility Tree）**来描述网页结构，而不是截图。

可访问性树是浏览器内部用来辅助无障碍功能的数据结构，每个页面元素在树里都有明确的角色、名称和状态。AI 拿到这棵树之后，就能像人类一样理解"这是一个按钮"“那是一个输入框”，然后直接调用对应的 Playwright API 去操作。

这套方案有几个好处：

• 速度快。生成结构化数据比截图渲染快得多。
• 不依赖视觉模型。普通的语言模型就能用，不需要专门的多模态能力。
• 确定性高。同样的页面结构，每次生成的描述基本一致，不像截图识别那样容易出错。

支持哪些客户端

这个工具遵循 MCP（Model Context Protocol）协议，理论上所有支持 MCP 的客户端都能用。官方列出的包括：

• VS Code、Cursor、Windsurf
• Claude Desktop、Claude Code
• Goose、Junie、Copilot
• LM Studio、Gemini CLI、Codex

基本覆盖了目前主流的 AI 编程工具。配置方式也简单，JSON 里加一段 MCP 服务器配置就行，或者直接用 CLI 命令一行搞定。

实际能做什么

从配置选项来看，这个工具的功能比想象中丰富：

基础操作：点击按钮、填写表单、导航页面、读取文本内容，这些都在可访问性树的描述范围内完成。

浏览器控制：支持无头模式和有头模式切换，可以指定 Chrome、Firefox、WebKit 等不同浏览器，还能模拟手机设备。

会话管理：支持持久化配置文件和隔离模式。持久化模式下登录状态会保留，下次启动还在；隔离模式每次都是干净环境，适合测试场景。

高级功能：支持通过 CDP（Chrome DevTools Protocol）连接已运行的浏览器实例，支持代理配置，支持自定义初始化脚本。

这些功能组合起来，能覆盖的场景很多：自动化测试、网页数据采集、AI 辅助的表单填写、跨页面的信息整合，都可以做。

和 Playwright CLI 的区别

官方文档里专门解释了 MCP 和 CLI 的区别，这个值得说一下。

CLI 方式是给编码代理（Coding Agent）用的，通过命令行直接调用 Playwright 的能力，token 消耗更低，适合需要在代码编写和浏览器操作之间频繁切换的场景。

MCP 方式更适合需要持续维护浏览器状态的场景，比如探索性的自动化任务、自愈测试、长时间运行的自主工作流。浏览器上下文一直保持，AI 可以反复查看和操作同一个页面。

选择哪种方式取决于你的具体需求。如果是写代码时偶尔需要浏览器辅助，CLI 更轻量；如果是构建一个需要持续与网页交互的 AI 工作流，MCP 更合适。

使用门槛

Node.js 18 以上就能跑。安装方式就是标准的 npm 包，一行命令：

npx @playwright/mcp@latest

然后在你的 AI 客户端里配置 MCP 服务器地址就行。整个过程不需要额外注册账号，不需要申请 API Key，本地直接运行。

我的看法

这个项目解决的是 AI 和真实世界交互的一个基础问题。之前大家做 AI 浏览器操作，要么写大量自动化脚本，要么上视觉模型，两种方案都有明显的短板。Playwright MCP 用可访问性树这个中间层，把问题简化了。

微软在浏览器自动化这块的积累本来就深，Playwright 本身已经是事实标准了。现在把它和 MCP 协议打通，等于是给整个 AI 工具生态提供了一个统一的浏览器操作层。

如果你在做 AI Agent 相关的开发，这个工具值得试试。特别是需要让 AI 处理网页表单、读取网页内容、或者做跨站信息整合的场景，它能省掉不少工作量。

在做 AI Agent 相关的开发，这个工具值得试试。特别是需要让 AI 处理网页表单、读取网页内容、或者做跨站信息整合的场景，它能省掉不少工作量。