GitHub stars npm version

_{中文 · English}

为 DeepSeek Harness 生态打造的共享真实浏览器插件（装好即用，人机同页）

agent 驱动一个真实、可见、可随时人工接管的浏览器——人与 agent 操作的是同一个页面。

文档

目标	入口
了解插件为什么存在、与无头方案的区别	为什么做共享真实浏览器
安装、配置与日常使用	用户指南
全部 33 个工具的参数、输出与示例	工具参考
了解 seam / provider / 工具三层与自托管实现	架构说明
查看全部文档与 README 分工	文档索引

这是什么

dsh-builtin-browser 给 DeepSeek Harness 提供浏览器能力:

真实视图,而非转播:浏览器是原生 WebContentsView,用户直接看到 agent 在做什么,随时可以上手接管;
装好即用:有桌面外壳时嵌入外壳视图;纯 dsh web 也能自托管——插件自己拉起一个 Electron 窗口,不需要任何额外配置;
一插件即一套工具:安装后 agent 自动获得 33 个 browser_* 工具(打开、查看、无障碍树、等待、语义/坐标操作、滚动、回退、批量/单控件填表、按键、结构化提取、截图、下载、登录态管理……)。

一句话:安装插件 = 获得一个与用户共享、可被 agent 驱动的真实浏览器。

快速开始

# 方式一:从 npm 安装(已发布)
dsh plugin --profile web add dsh-builtin-browser

# 方式二:从源码目录安装(独立仓库,一插件一仓库)
dsh plugin --profile web add <本仓库路径>

安装后,agent 即可使用浏览器工具,例如:

想做什么	用哪个工具	说明
打开页面	`browser_open`	打开 URL,返回带编号元素的快照
了解页面	`browser_snapshot`	输入框/按钮/链接的编号清单,可据此定位
操作页面	`browser_execute`	在页面里执行 JS(原生 setter,框架友好)
填写表单	`browser_fill`	一次填写多个字段,可选提交
看到页面	`browser_screenshot`	PNG 截图,可存文件交给视觉模型

完整清单见工具参考。

主要功能

共享真实浏览器

原生视图而非无头截屏。用户与 agent 操作同一个页面:用户能看到每一步,随时接管;agent 驱动的就是用户眼前那个窗口。

DOM 级驱动,框架友好

browser_snapshot 返回带编号的交互元素;browser_execute 在页面内执行 JS(受控输入用原生 setter + input/change 事件),React/Vue 页面也能可靠交互。

多标签会话

并行打开 URL,查看/切换/关闭/重置标签,每个会话的状态独立保持。

多格式内容

以 html / markdown / txt / json 抓取页面,支持 CSS selector 限定、字符上限与超时控制。

任务级会话隔离

每个 DSH 任务(会话)拥有独立的浏览器会话(独立标签页与历史),并发任务互不抢页面、互不污染;同一任务内多次调用复用同一会话。

登录态持久化

browser_auth 导出/恢复 cookie,重启后登录态不丢;自托管实例的 cookie 本身也落盘持久。

人机验证识别

自动检测 Cloudflare / reCAPTCHA / hCaptcha / Turnstile 等挑战(browser_challenge,快照也会标注),提示人工在共享窗口完成,不再盲目重试。

批量表单填充

browser_fill 一次填写多个字段:按选择器/名称/标签匹配,支持受控输入、下拉、单选/复选,可选提交;单个字段失败不影响其余字段。

操作历史与回放

browser_history 记录操作日志(打开/执行/点击/输入/填表/下载/登录),browser_replay 可按序号回放某一步。

带登录态下载

browser_download 在页面上下文内携带会话 cookie 拉取文件并落盘,登录后才能访问的内容也能直接下载。

安全限制

browser_restrict 限制允许的浏览器动作(白名单),防止 agent 误点、误导航;只读工具(snapshot/content/screenshot)不受限。

截图即存即读

browser_screenshot 支持 savePath 直接落盘 PNG,交给视觉模型(modlens 等)做基于视觉的元素定位。

为什么选它

装好即用,零配置:不需要桌面外壳、不需要额外启动步骤;纯 dsh web 环境自托管拉起 Electron 窗口,browser_* 工具照常可用。
人机协同,互不干扰:用户能看到并接管 agent 的每一个动作;任务级会话隔离让多个并行任务各自拥有独立的标签页与历史。
面向真实世界的自动化:人机验证识别、登录态持久化、批量填表、带登录态下载、操作回放、动作限制——把"真实浏览器"变成可靠的 agent 能力。
可测试、可替换的架构:provider 与 Electron 通过 ElectronBrowserViewHost 接缝解耦,同一套工具层未来可对接无头转播 provider,无需改动模型侧。

工具参考

工具	用途	守卫
`browser_open`	打开 URL(可选新标签),返回页面快照	✅
`browser_wait`	等待页面加载完成(可选期望 URL / CSS 选择器),返回是否就绪	–
`browser_snapshot`	交互元素(输入框/按钮/链接)带编号清单(穿透同源 iframe 与 Shadow DOM)	–
`browser_a11y`	无障碍树:每个交互节点的语义角色/名称/值/状态 + 坐标(穿透同源 iframe 与 Shadow DOM)	–
`browser_execute`	在页面执行 JS;参数以 `arguments[0..n]` 传入	✅
`browser_content`	以 html / markdown / txt / json 抓取页面(selector、maxChars、timeoutMs)	–
`browser_click`	点击:语义目标(`target`: css/text/xpath,滚动到元素并点中心)或视口坐标(配合截图视觉定位)	✅
`browser_type`	输入文本(可先按 `target` 聚焦元素;CDP `Input.insertText`)	✅
`browser_key`	按命名按键(Enter/Tab/方向键/Home/End 等)	✅
`browser_scroll`	滚动页面(像素增量 / 选择器定位 / 顶部底部)	✅
`browser_back`	页面历史后退一步(无前项时为空操作)	✅
`browser_forward`	页面历史前进一步(无后项时为空操作)	✅
`browser_refresh`	刷新当前页(等价浏览器的刷新按钮)	✅
`browser_fill`	批量填充表单(选择器/名称/标签匹配,受控输入、下拉、单选/复选,可选提交)	✅
`browser_set_value`	单个控件设值(按 `target` 定位;原生 setter + input/change,React 受控输入可用)	✅
`browser_check`	勾选/取消勾选 checkbox 或 radio(按 `target` 定位)	✅
`browser_select`	选中 `<select>` 的某个选项(按值/文本/索引,按 `target` 定位)	✅
`browser_clear`	清空输入/文本域/contenteditable,或取消勾选(按 `target` 定位)	✅
`browser_get_value`	读取元素当前值(操作后验证用;按 `target` 定位)	–
`browser_scrape`	结构化提取:容器选择器 + 字段映射(`选择器[@属性]`),静态 CSS 查询、CSP 安全	–
`browser_screenshot`	截图,可选 `fullPage`、`savePath`、JPEG(`format`/`quality`)与缩放(`maxWidth`/`maxHeight`)	–
`browser_list_tabs`	当前会话的标签列表	–
`browser_switch_tab`	按 id 切换标签(自托管下同步切换可见视图)	✅
`browser_close_tab`	按 id 关闭标签;关闭活动标签后激活下一个	–
`browser_reset`	关闭本任务所有标签,回到一个空白标签	✅
`browser_session`	查看本任务的浏览器会话与标签	–
`browser_reset_session`	关闭并重建本任务的浏览器会话	✅
`browser_history`	操作日志(最新在后),含成功/失败与结果摘要	–
`browser_replay`	按序号回放某一步(navigate/execute/click/type)	✅
`browser_download`	带会话 cookie 下载 HTTP(S) URL 到本地文件(`savePath` 必须绝对路径,上限 256MB)	✅
`browser_auth`	导出/恢复 cookie(登录态持久化,自托管可用)	✅
`browser_challenge`	检测人机验证(CAPTCHA / Cloudflare / reCAPTCHA / hCaptcha / Turnstile)	–
`browser_restrict`	限制允许的浏览器动作(白名单;空列表解除)。软护栏,模型可自行解除,非安全边界	–

「守卫」列:打 ✅ 的动作受 browser_restrict 白名单约束;只读工具(snapshot/content/screenshot/list_tabs/session/challenge/history)永不拦截。

等待页面就绪

browser_open 之后、browser_snapshot 之前,慢站点请先 browser_wait:传 url(你打开的地址)与可选的 selector,等它返回 ready: true 再拍照——否则拍到的是旧页面或白屏。
页面里看不到的内容先想 iframe / Shadow DOM:快照与无障碍树会穿透同源 iframe 与 shadow root 并标注 (iframe),坐标始终是顶层文档坐标,可直接用 browser_click;DOM 选择器则是 frame 作用域的,需用 browser_execute 经 iframe.contentDocument 访问。

语义定位(`target`)与无障碍树

browser_a11y 是理解页面的首选:它返回每个交互节点的语义角色(button/textbox/checkbox…)、可访问名称、当前值、状态(enabled/checked/expanded…)与坐标,比编号快照更能说明“这是什么、能做什么”;拿到坐标后可直接 browser_click/browser_type。
browser_click/browser_type 支持 target 定位:{by: css|text|xpath, value, index?}——text 按元素自身可见文本匹配(精确优先、退化包含、最深元素优先);点击会把元素滚动到视口中央再点;输入会先聚焦该元素。
单控件操作用 browser_set_value/browser_check/browser_select/browser_clear/browser_get_value,批量用 browser_fill,列表页结构化抓取用 browser_scrape。

操作纪律(点击/填表)

优先用 DOM 语义而非坐标:表单提交优先 form.requestSubmit();点击优先 element.click();坐标点击是最后手段。
选中正确的元素:页面常有隐藏副本(如移动端按钮),用 browser_execute 过滤可见元素(getBoundingClientRect() 宽高 > 0、getComputedStyle 非 display:none),再取坐标。
取坐标后立即点击:中间不要插入其他操作(填表、滚动会移动元素,旧坐标立即失效)。
点击前验证命中:document.elementFromPoint(x, y) 确认该坐标确实是目标元素(按钮/链接),再执行真实点击。
DPR 注意:CDP 输入使用 CSS 像素;高 DPI 屏上若点击落空,用 elementFromPoint 校准,不要盲试坐标。

配置

插件通过 cordis.patch.yml 挂载三行,各行配置:

行	配置项	类型	默认	说明
`browser-electron`	`viewHost`	对象	必填	宿主提供的 `ElectronBrowserViewHost` 实例(通常 `!!js ctx.get('electronViewHost')`)
`browser-electron`	`httpOnly`	布尔	`true`	仅允许 HTTP(S) 导航;其余协议(如 `file:`/`data:`)拒绝(`BROWSER_NAVIGATION_BLOCKED`)
`browser-electron`	`snapshotMaxElements`	数字	`60`	快照最多收录的交互元素数,超出截断
`browser-electron`	`contentMaxChars`	数字	`100000`	内容抓取默认字符上限
`browser-electron`	`downloadDir`	字符串	`~/Downloads`	限定 `browser_download` 保存路径必须位于该目录内(防 agent 写任意路径);默认收敛到系统下载目录,可改为沙箱目录
`tool-browser`	`timeoutMs`	数字	`60000`	工具协作超时(ms)
`tool-browser`	`tabTools`	布尔	`true`	是否注册标签管理工具(`browser_list_tabs` 等)

工作原理

agent (browser_* 工具)
  → ctx.browser (seam, dsh-builtin-browser/browser)
  → dsh-builtin-browser/browser-electron (provider)
  → ElectronBrowserViewHost (由宿主外壳提供)
  → WebContentsView + webContents.debugger (CDP)

seam 层(browser 行)提供 ctx.browser 服务:provider 注册、会话生命周期、错误码,与具体实现解耦;
provider 层(browser-electron 行)通过 ElectronBrowserViewHost 接缝操作视图(创建/销毁/显示/sendCommand),由真实外壳用 Electron 对象实现;
工具层(tool-browser 行)提供模型侧的 33 个 browser_* 工具,按调用方任务(DSH 会话)维护独立的浏览器会话。

自托管模式:没有桌面外壳时,插件自己拉起一个 Electron 子进程(host-main.js),通过本机 TCP JSON-RPC 驱动。RPC 带随机 token 认证,token 经 stdin + 环境变量双通道传递——Windows 上 Electron 是 GUI 子系统进程、收不到 piped stdin,环境变量兜底保证握手稳定。子进程崩溃会自动重启;截图优先走 Electron 原生 capturePage(CDP 截图在多视图下会挂起),并自动选择环境中最新版本的 Electron(33.x 有合成器缺陷,建议 ≥ 40;44+ 首次使用自动下载二进制,需联网)。

自托管浏览器就是一台真正的浏览器:每个任务(DSH 会话)拥有独立的浏览器窗口,窗口自带完整工具栏——地址栏、后退/前进/刷新按钮、标签条(新建/切换/关闭标签)。人可以直接像用 Chrome 一样使用它:在地址栏输入网址(自动补 https://)、点标签切换页面、开新标签;键盘焦点跟随点击——点地址栏即可输入、点页面即可操作(Windows 焦点路由,修复了点击不转移焦点导致地址栏无法输入的问题)。agent 与人的操作都汇入同一个会话模型(同一套标签、历史与导航),窗口标题实时显示当前任务标识与页面标题/URL,窗口缩放时视图自动跟随。任务结束后窗口随会话自动关闭。

Electron 定位顺序:① 插件运行在 Electron 进程内(DSH Desktop 主进程)时直接复用宿主二进制 → ② 进程祖先树中的宿主 Electron 二进制(DSH Desktop 把插件跑在子 Node 进程时的兜底)→ ③ require('electron')(随插件安装的 electron 包)→ ④ ELECTRON_PATH(显式覆盖)→ ⑤ DSH 安装锚点与 pnpm 虚拟仓库中版本最新者。DSH Desktop 上零额外安装;找不到时工具会报清晰的错误提示。

与桌面外壳的分工

浏览器可见视图、浏览器列布局、列与视图的对齐都属于宿主外壳(如 dsh 的 apps/desktop),不在本插件内。本插件只消费外壳提供的 electronViewHost,负责 seam、provider 与工具。没有配套外壳时插件自托管,功能照常可用。

环境要求

DeepSeek Harness(dsh),已安装对应 profile(web / desktop 等)
Electron 运行时(必装依赖,随插件自动安装):
- DSH Desktop:宿主本身基于 Electron,插件自动复用宿主二进制(随包安装的 electron 仅作后备);
- 纯 dsh web 自托管:直接使用随插件安装的 electron 包(建议 ≥ 40;44+ 首次使用自动下载二进制,需网络)

验证过的版本

组件	版本
DeepSeek Harness(dsh)	`0.1.1-rc.2`(peer 声明 `^0.1.1-rc.2`)
Electron	`44.0.0`(推荐 ≥ 40;33.x 存在合成器缺陷)
Node.js	`22.20.0`
dsh-builtin-browser	`0.1.19`
操作系统	Windows 10 (10.0.26200)

插件声明 electron >= 30;当前仅在 Windows 环境实测(macOS/Linux 未验证,暂不承诺)。

已知限制

JPEG 截图仅自托管原生路径可用(capturePage 的 toJPEG);桌面壳的 CDP 回退路径仍为 PNG(CDP JPEG 在 Electron 43 上挂起)。
自托管截图优先走 Electron 原生 capturePage(CDP captureScreenshot 在多视图下会挂起);截图前自动把目标标签置顶。
部分主机在软件合成下 fullPage 截图不稳定。
人机验证(CAPTCHA)无法自动解决:快照会标注检测到的挑战,此时应请用户在共享窗口中人工完成,而不是反复重试。
无痕模式(privateMode)未实现:它需要 Electron 的 session 分区能力,属于宿主层,本插件不承诺。
browser_download 在页面上下文内 fetch(带登录态),受同源/CORS 约束;仅允许 HTTP(S) 目标;savePath 必须为绝对路径(默认限定在 ~/Downloads,可用 downloadDir 覆盖);单文件上限 256MB(流式限流,按 Content-Length 提前拒绝),文件由浏览器子进程直接落盘(临时文件 + 原子改名)。
自托管浏览器的 cookie 在磁盘上以明文存储(Electron 默认行为);需要加密落盘的部署应在宿主层接入系统钥匙串 / DPAPI。
browser_restrict 是防误操作的软护栏,不是安全边界:模型可以自行解除白名单。
页面弹窗(window.open / target=_blank)会被重定向到当前标签页内打开,不创建独立窗口,以免破坏标签/会话模型。
browser_auth 的 cookie 往返不保留 hostOnly/sameSite 字段(host-only cookie 恢复后变成 domain cookie);仅自托管浏览器可用。
自托管浏览器子进程崩溃后会自动重启,但崩溃前已打开的会话视图已失效,调用 browser_reset_session 重建即可。
electron 随插件安装;Electron 44+ 首次打开浏览器窗口时自动下载二进制(约 100MB,需网络),之后不再需要。若探测时网络不可用,可预装 ELECTRON_PATH 指定的二进制。
本插件不含浏览器列 UI——那是宿主外壳的配套,别把"浏览器列"当成插件能力。

开发

# 类型检查 + 构建(lib/)
npm run build

运行测试: npm test(= tsc -p tsconfig.json + node --test "tests/*.test.mjs",假 host 测试,无需 Electron)。

代码结构:

目录	职责
`src/browser/`	`ctx.browser` seam 与全部请求/结果类型
`src/browser-electron/`	Electron CDP provider、自托管子进程(`host-main.ts`)与 RPC 层
`src/tool-browser/`	模型侧 `browser_*` 工具
`src/types/`	electron 环境类型(shim,避免强制依赖 electron 类型)

更新记录

按轮次记录的开发与修复历程(完整明细见 CHANGELOG.md)。0.1.16 起随版本发布(tag v0.1.16)。

轮次	日期	内容
第一轮	2026-08-18	安全与健壮性修复:RPC 随机 token 认证 + 单连接强制;下载准入(仅 HTTP(S)、绝对路径、`downloadDir` 限定)与流式限流(Content-Length 提前拒绝,256MB 上限);CDP 超时打断与 click/type 超时松键恢复;会话/白名单改为每任务作用域并随 agent 生命周期自动关闭;操作历史脱敏(输入文本、replay/execute 参数不泄露);弹窗重定向回标签页
第二轮	2026-08	功能补全 + 测试 + CI:窗口标题显示任务标识、showView 无闪烁;快照/无障碍树穿透同源 iframe 与 Shadow DOM;新增 `browser_wait`/`scroll`/`back`/`forward`/`key` 工具;真实 `available()` 探测;下载改由子进程直接落盘(临时文件 + 原子改名);Electron 定位收敛;JPEG/缩放截图;快照性能优化;新增测试套件与 CI
第三轮	2026-08	对标 browser-bridge 的功能 + 审查修复:`browser_a11y` 无障碍树;表单控件 6 件套(`browser_set_value`/`check`/`select`/`clear`/`get_value`/`refresh`);语义定位 `target`(css/text/xpath);`browser_scrape` 结构化提取;独立 BrowserWindow + 真实工具栏(地址栏/后退/前进/刷新/标签条),工具栏操作路由回会话模型;工具总数 20 → 33;CI 改 npm(无 lockfile 不兼容 pnpm cache)、README 修正等审查项
第四轮	2026-08	DSH 0.1.1-rc.2 对齐 + 复查修复:peer 下限对齐 `^0.1.1-rc.2`;修复 `browser_type` 带 target 丢文本、`browser_key` 空格缺 CDP `text`、keyUp 失败卡键、`browser_wait` URL 同源误匹配、download `.part` rename 残留、`snapshotMaxElements`/`contentMaxChars` 配置接线、导出类型补齐;新增 3 个回归测试
第五轮	2026-08	Electron 44 兼容:`available()` 改为无副作用探测(不再触发 Electron 44 懒下载);`flushAuth` cookie-domain 构建错误修复
第六轮	2026-08	Windows 握手与标签定位:Electron GUI 进程收不到 piped stdin → RPC token 改 stdin + 环境变量双通道;`browser_switch_tab`/`browser_close_tab` 跨会话按 id 定位(`locateTab`),`browser_close_tab` 不再静默假成功,未知 id 报错附带现有标签列表
第七轮	2026-08	工具栏交互(Windows 焦点路由):键盘输入只进有焦点的 view,页面 view 抢占焦点导致地址栏无法输入 → 新增 `wireFocusRouting`(点击即聚焦该 view)+ 窗口 refocus 恢复上次点击的 view;真机 OS 输入探针验证
0.1.16	2026-08-26	发布:以上七轮全部随 0.1.16 发布(构建零错误、21 项测试全绿,`v0.1.16`)
第八轮	2026-08-27	DSH Desktop 宿主 Electron 复用:插件运行在 Electron 进程内直接复用宿主二进制;插件跑在宿主子 Node 进程时沿进程祖先树找到宿主 Electron 兜底(Windows 用 PowerShell CIM,仅最后手段)——DSH Desktop 零安装开箱可用;报错按当前 profile 动态提示;补齐 electron shim 修复 CI 类型检查;文档同步
0.1.17	2026-08-27	发布:第八轮修复随 0.1.17 发布(构建零错误、21 项测试全绿)
第九轮	2026-08-27	electron 改为必装依赖:从 optional peer 移入 `dependencies`,安装插件即自动带上 electron 包(44+ 二进制首次使用懒下载);DSH Desktop 依旧复用宿主二进制;文档与报错同步
0.1.18	2026-08-27	发布:第九轮「electron 改为必装依赖」随 0.1.18 发布(构建零错误、21 项测试全绿)
第十轮	2026-08-27	DSH-Store 兼容性声明:新增 `dsh.compatibility.dshReleases`(rc.2/rc.1=compatible、rc.8=unknown)与 profiles/dsh 范围,解除商店自动下架(HOLD)
0.1.19	2026-08-27	发布:第十轮「DSH-Store 兼容性声明」随 0.1.19 发布(构建零错误、21 项测试全绿)

特别感谢

特别感谢 DeepSeek Harness 原始仓库与 DeepSeek AI 团队:本插件的 seam、工具运行时与插件体系都构建在这个项目之上。

同时感谢 Cordis 提供的插件化基础,以及所有参与讨论、测试、反馈和插件开发的社区成员。

License

本项目遵循 MIT License。

本项目是 DeepSeek Harness 的社区插件,并非 DeepSeek 官方产品。

dsh-builtin-browser

安装

源码

标签

作者

说明文档

为 DeepSeek Harness 生态打造的共享真实浏览器插件（装好即用，人机同页）

agent 驱动一个真实、可见、可随时人工接管的浏览器——人与 agent 操作的是同一个页面。

文档

这是什么

快速开始

主要功能

共享真实浏览器

DOM 级驱动,框架友好

多标签会话

多格式内容

任务级会话隔离

登录态持久化

人机验证识别

批量表单填充

操作历史与回放

带登录态下载

安全限制

截图即存即读

为什么选它

工具参考

等待页面就绪

语义定位(`target`)与无障碍树

操作纪律(点击/填表)

配置

工作原理

与桌面外壳的分工

环境要求

验证过的版本

已知限制

开发

更新记录

特别感谢

License

安装

源码

标签

作者

说明文档

为 DeepSeek Harness 生态打造的共享真实浏览器插件（装好即用，人机同页）

agent 驱动一个真实、可见、可随时人工接管的浏览器——人与 agent 操作的是同一个页面。

文档

这是什么

快速开始

主要功能

共享真实浏览器

DOM 级驱动,框架友好

多标签会话

多格式内容

任务级会话隔离

登录态持久化

人机验证识别

批量表单填充

操作历史与回放

带登录态下载

安全限制

截图即存即读

为什么选它

工具参考

等待页面就绪

语义定位(target)与无障碍树

操作纪律(点击/填表)

配置

工作原理

与桌面外壳的分工

环境要求

验证过的版本

已知限制

开发

更新记录

特别感谢

License

语义定位(`target`)与无障碍树