Selenium

引言：为什么“AI接管浏览器”不再是科幻命题？ 过去十年，浏览器自动化始终困在一条狭窄的路径上：Selenium 写 XPath，Puppeteer 注入 document.querySelector，Playwright 等待 page.waitForSelector('.loading:visible')……这些工具强大却疲惫——它们不理解“登录”，只认识“点击按钮#login-btn”；它们无法应对验证码刷新后 DOM ID 变更，更难以从一个弹窗跳转、一次 token 重定向、一段动态渲染的 React 列表中自主恢复流程。我们投入大量人力维护脚本：当京东把 .btn-login 改为 [data-qa="auth-submit"]，当 Cloudflare 更新挑战 JS 版本，当 Vue 页面用 <Suspense> 延迟加载关键数据——自动化就集体“失明”。 这暴露了传统方案的三大结构性瓶颈： 🔹 人类脚本维护成本高：每处 UI 变更都需人工定位、重写选择器、更新等待逻辑； 🔹 语义理解弱：无法将“输入手机号并获取验证码”映射到真实页面中的输入框+按钮组合，依赖硬编码定位； 🔹 异常恢复差：遇到网络抖动、MFA 弹窗、403 重定向等非预期状态，多数脚本直接抛出 TimeoutError 或静默失败。 而 Claude Code 的出现，标志着范式跃迁：它不再执行“指令”，而是追求“目标”。当你输入 “帮我登录知乎，进入我的收藏夹，截图前3条含‘大模型’关键词的回答，并记录页面加载性能”，Claude Code 不解析为 7 行 Puppeteer 代码，而是启动一个闭环推理系统——理解“知乎登录”在视觉与 DOM 中的多模态表征，推断当前处于哪一认证阶段，动态生成动作序列，并在环境变化时自主降级或重试。 这种转变的背后，是三项关键技术的协同突破： ✅ 多模态推理：联合处理网页截图（视觉token）与 DOM 树结构（语义token）； ✅ 浏览器 DOM 语义理解：将 <button class="LoginButton">登录</button> 映射为向量空间中与“用户认证入口”高度对齐的节点； ✅ 运行时环境感知：实时监听 mutationObserver、performance.navigation、beforeunload 等事件流，构建动态上下文图谱。 下表对比了四类典型任务中，传统方案与 Claude Code 的实测表现（基于 500 次跨站点重复测试）： ...