用 Cherry Studio 与 Playwright MCP 实现智能浏览器自动化

发布于：2025-07-27 ⋅ 阅读:(22) ⋅ 点赞:(0)

文章目录

Playwright MCP（Model Context Protocol）是一种融合了 Playwright 浏览器控制能力与大语言模型（LLM）指令解析的协议。它允许开发者通过自然语言指令操控浏览器，实现自动化测试、数据抓取、表单填写等任务。本文将详解其部署与使用流程。

一、Playwright MCP 的核心价值

结构化交互
LLM 通过 MCP 将自然语言（如“搜索 Playwright 教程”）转换为浏览器操作指令（点击、输入、导航等），无需依赖视觉模型或截图，响应更快且确定性高。
多场景支持
- 自动化测试：生成 AI 驱动的测试脚本
- 数据提取：抓取动态渲染的网页内容
- 智能代理：自动预订、比价、填表
工程化优势
支持会话隔离、错误恢复、资源池化管理，适合高并发场景。

二、部署指南：跨平台实践

环境准备

Node.js v16+ 或 Python 3.8+

安装 Playwright 核心库：

# Node.js 环境
npm install playwright
npx playwright install  # 安装浏览器驱动

# Python 环境
pip install playwright
python -m playwright install

安装 Playwright MCP 服务器并启动

npx @playwright/mcp@latest --port 8931

在这里插入图片描述

配置 MCP 服务

在 Cherry Studio 或 Claude Desktop 中添加配置（示例为 mcp.json）：

{
   
   
  "mcpServers": {
   
   
    "playwright": {
   
   
      "url": "http://localhost:8931/sse"
    }
  }
}

Cherry Studio配置如图:
在这里插入图片描述

解决 Windows 环境问题

若在 Windows 原生环境运行失败（常见于未编译 TypeScript 项目）：

进入项目目录执行构建：

npm install
npm run build  # 编译 TS 到 JS

或改用 WSL 环境运行，并通过 /mnt 目录交换文件：

cp /tmp/report.pdf /mnt/d/WindowsPath/  # 从 WSL 导出文件到 Windows

三、使用教程：从基础到高阶

基础工作流

// 示例：同步模式打开百度并搜索
const {
   
    chromium } = require('playwright');

(async () => {
   
   
  const browser = await chromium.launch({
   
    headless: false })