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
如何编写一个chrome插件实现多线程高速下载大文件?
cdn版本的vue在网页中出现typeerror错误无法找到错误代码位置怎么办?
pywebview能否使用webrtc远程控制共享桌面和摄像头?
pywebview6.0如何让窗体接受拖拽文件获取真实的文件路径?
如何在linux系统中同时能安装运行apk的安卓应用?
python有没有离线验证码识别ocr库?
各家的ai图生视频及文生视频的api价格谁最便宜?
openai、gemini、qwen3-vl、Doubao-Seed-1.6在ui截图视觉定位这款哪家更强更准?
如何在linux上创建一个沙箱隔离的目录让python使用?
pywebview如何使用浏览器自带语音识别与webspeech 的api?