+
104
-

回答

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

我知道答案,我要回答