一般基于下面两种,不过openai收购了chrome,会不会出现第三种呢:
1、基于视觉定位,通过视觉大模型读取网页截图,让大模型告诉用户下一步该点击哪?browser-use就是这样:https://github.com/browser-use/browser-use
2、基于dom树解析定位,dom树需要清洗,去掉无用的css与js,保留有用的网页布局代码,让大模型根据class或id来操作元素。
网友回复
腾讯混元模型广场里都是混元模型的垂直小模型,如何api调用?
为啥所有的照片分辨率提升工具都会修改照片上的图案细节?
js如何在浏览器中将webm视频的声音分离为单独音频?
微信小程序如何播放第三方域名url的mp4视频?
ai多模态大模型能实时识别视频中的手语为文字吗?
如何远程调试别人的chrome浏览器获取调试信息?
为啥js打开新网页window.open设置窗口宽高无效?
浏览器中js的navigator.mediaDevices.getDisplayMedia屏幕录像无法录制SpeechSynthesisUtterance产生的说话声音?
js中mediaRecorder如何录制window.speechSynthesis声音音频并下载?
python如何直接获取抖音短视频的音频文件url?