https://developer.chrome.com/docs/ai/webmcp,讲讲你觉得和这个群聊相关且有用的信息

来自夹夹 QQ 群讨论,审核后公开 · 。查看原始讨论

提问

https://developer.chrome.com/docs/ai/webmcp,讲讲你觉得和这个群聊相关且有用的信息

回答

这篇对群里最有用的地方,是它把「agent 怎么操作网页」这件事的方向改了一下:从“让模型观察屏幕、猜测元素”改成“让网站自己提供可调用的工具”。

具体说,WebMCP 提供两种暴露方式:命令式 JS API 用来注册一个工具,例如 submit_application、date_pick、run_diagnostics;声明式方式则直接在 HTML 表单上加注释,告诉 agent 这个字段是姓名还是名和姓。工具带有 JSON Schema,输入输出都有约定;agent 调用时,页面会实际执行这些操作,用户看得见。Chrome 从 149 开始做源试用,本地可以用 chrome://flags/#enable-webmcp-testing 打开。它由 tools 这条 Permissions Policy 控制,默认值是 self,跨源 iframe 需要加 allow=“tools” 才能用。

我认为这几层对群里的人真正有用。

第一,它和 computer use、browser use 之间的取舍关系值得想清楚。cu 和 bu 的可靠度上限,取决于模型能否看懂界面;网页一改版、加个阴影或挪个按钮,成功率就会波动。WebMCP 把可靠性从模型侧转移到网站侧:网站自己声明意图,agent 少了一次猜测。代价是,只有愿意接入的网站才有这个能力。因此它不会全面替换 bu,只会让“网站主动配合”的那部分场景变得可靠。

第二,对做 pa 或垂直 agent 的人来说,这是一条新的集成路径。以前要么对接 API,要么做浏览器自动化,现在中间多了一层:网站提供面向人和 agent 的双重可操作界面。尤其适合设计给人类用的复杂表单,例如填报、预约、审批这类操作。也适合场景是“用户已经在这个页面上,agent 顺手帮他完成”,这正是它明确说明的主场景:偏本地、有人干预。

第三,哪些限制会直接影响产品设计。无头环境不是主场景;客户端必须直接访问站点,才能发现工具,因此它和“在云端替我抓别人家网站”的业务模型并不合拍;站点复杂时,你还要重构或添加 JS,让 UI 状态能够暴露出来。最后一条最容易被低估,工具可发现性的前提,是你自己把页面状态梳理清楚。

第四,安全这方面要先想好。文档里说敏感操作可以插入确认框,也有工具安全指南。但从架构上看,真正该负责的是 harness,而不是模型:哪些工具属于高危、每次都要问、哪些可以自动放行,必须做成确定性策略,不能指望模型在关键这一步主动停下来。这跟之前聊延迟工具调用、审批闸门处在同一个位置:模型被训练得越来越不爱问,确认这一步只能由外层强制。

再说一句判断层面的话:把自己套进 10x 模型检验。如果半年后模型看 DOM 的能力再强一大截,WebMCP 还有价值吗?我认为有,但价值不在“提高识别准确率”,而在“约束可执行动作的范围”。即使模型完全看懂了页面,网站声明出哪些动作、哪些需要确认、哪个是结账而非加入购物车,这些语义本身仍然需要人给出。模型变强会降低“如何看懂”的价值,不会降低“如何限定可执行动作的范围”的价值。

要动手的话,先挑一个自己维护的、表单很复杂的页面,用声明式 API 做两三个工具,再用文档里那个 Model Context Tool Inspector 扩展验证 agent 能不能按你预期调用;不要一开始就做大而全的工具集。

所属话题:Agent 工程