真实浏览器操控 Ahaway1st/dsh-browser-control

DSH 浏览器控制

让 DeepSeek Harness（DSH）的 Agent 直接操控你真实浏览器的插件——类似 OpenClaw 的 Chrome 扩展。
扩展安装在 Chrome/Edge 里，通过本机 WebSocket 与 DSH 通信，Agent 可以导航、点击、输入、截图、读页面，带着你的登录态完成真实任务。

┌─ 你的 Chrome/Edge ──────────────┐ ┌─ DSH（本机 127.0.0.1:3080）──────────────────┐ │ DSH Browser Control 扩展 (MV3) │ │ browser-control 插件（动态 Cordis，Host 半） │ │ ├─ content script: 页面感知/操作 │ WebSocket│ ├─ WebSocket 桥（/dsh/browser） │ │ │ （点击/输入/读DOM/滚动） │◄───────►│ ├─ 配对令牌（配置文件/随机生成） │ │ ├─ background: 标签页/截图/多frame │ JSON 命令│ ├─ browser_* 动态工具（Agent 可调用） │ │ └─ popup: 配对/连接/授权管理 │ /事件 │ ├─ 敏感站点授权门 │ └───────────────────────────────┘ │ └─ 截图存为 DSH 会话附件 │ └──────────────────────┬─────────────────────┘ │ 注册动态工具 ┌───────▼────────┐ │ 模型（Agent） │ └────────────────┘

✨ 特性

- 操作真实浏览器：带着你的登录态/cookie，执行导航、点击、输入、按键、滚动、切换标签页
- 文本化页面感知：可交互元素树（ref 索引定位），不依赖视觉模型；支持自绘 UI （QQ 邮箱等 div+JS 无语义标签界面，cursor:pointer 启发）与 iframe 应用（多 frame 聚合）
- 自动截图存档：captureVisibleTab 优先 + CDP 兜底，保存为 DSH 会话附件（GUI 可直接查看）
- 敏感站点授权门：银行/支付/政务类域名操作需你在浏览器侧确认（系统通知 + popup 双通道），授权按域名记忆、可随时清除
- GUI 常驻面板：DSH 界面右下角显示配对码与连接状态（shell.overlay）
- Chrome/Edge 双支持：Manifest V3，零构建依赖，加载已解压扩展即可
- 稳定连接：文本心跳 + SW Port 长连接保活，断线指数退避自动重连

⚙️ 环境要求

- DSH（DeepSeek Harness）已运行，Web GUI 在本机 127.0.0.1:3080
- Chrome ≥ 116 或 Edge ≥ 116（SW Port 保活要求；旧版本连接可能不稳定）

🚀 快速开始（约 3 分钟）

第 1 步：安装浏览器扩展（1 分钟）

1. 打开 chrome://extensions（Edge 为 edge://extensions）
2. 右上角开启开发者模式
3. 点加载已解压的扩展程序 → 选择本仓库的 extension 文件夹
4. 确认权限提示（需读取所有网站数据——浏览器控制的必要代价）

第 2 步：在 DSH 中安装插件（1 分钟）

把下面这句话原样粘贴到 DSH 会话里（把 换成你克隆本仓库的位置）：

请安装 browser-control 插件：读取 \plugin\plugin.js 作为 Host 代码，读取 \plugin\client.js 作为 Client 代码，用 cordis_define 创建并运行，然后调用 browser_pairing_code 告诉我配对码。

DSH 的 Agent 会自动完成定义与运行。运行后会在会话流里出现一个授权卡片——点卡片上的双勾（✓✓）授权（只需一次）。

第 3 步：配对（1 分钟）

1. 复制 Agent 给出的配对码（形如 dsh-xxxx...；若没给出，直接问 Agent"配对码是多少"）
2. 点浏览器工具栏的扩展图标 → 在「配对令牌」框粘贴 → 点连接
3. popup 显示「已连接」、DSH 界面右下角面板变绿 → 完成 ✅

试试看

在 DSH 会话里说：

- "打开 https://example.com"
- "看看当前页面有什么"
- "点一下搜索框，输入 xxx，回车"
- "截个图"

🛠 Agent 工具清单

| 工具 | 说明 |
| browser_navigate | 导航到指定 URL（敏感站点触发授权门） |
| browser_read_page | 读取可交互元素树；多 frame 页面聚合各 frame（元素带 frameId + frame 内 ref） |
| browser_click | 点击元素（frameId+ref 或 CSS 选择器） |
| browser_type | 输入文本（frameId+ref 定位，clear 可选，密码框不回传） |
| browser_press | 按键（可指定 frameId，Enter/Escape/Tab/方向键 + 修饰键） |
| browser_scroll | 滚动页面（可指定 frameId） |
| browser_list_tabs / browser_switch_tab | 标签页管理 |
| browser_screenshot | 截图（captureVisibleTab + CDP 兜底）并保存为会话附件 |
| browser_run_js | 执行任意 JS（默认策略拒绝，EPOLICY） |
| browser_pairing_code | 查询配对令牌与连接状态 |

单 frame 普通网页无需关心 frameId（默认 0 = 主 frame）；多 frame / iframe 应用（如 QQ 邮箱类）以 read_page 返回的 frameId 为准。

❓ 常见问题

DSH 重启后插件不见了？
动态插件是进程内的，DSH 重启后需重新执行第 2 步（重新安装 + 授权）。
（Roadmap：宿主化改造，让 DSH 启动自动加载。）

截图时浏览器顶部出现“正在调试此浏览器”？
仅在 CDP 兜底路径生效时出现（captureVisibleTab 不可用的场景），横幅短暂；主路径 captureVisibleTab 无横幅但要求浏览器窗口可见。

在 chrome:// 等内部页面无法读取/操作？
正常。content script 无法注入内部页；导航到普通网页后恢复。

按回车没有提交表单？
少数 SPA 站点（如必应主页）对合成按键不敏感；点页面上的搜索/提交按钮即可。
常规表单有 requestSubmit() 兜底。

配对码在哪？
DSH 会话里问 Agent“配对码是多少”（browser_pairing_code 工具）；也可看插件日志。
令牌不硬编码：首次运行随机生成并写入令牌文件（TOKEN_FILE，默认 .dsh-browser-token，相对 DSH 工作目录，可在 plugin/plugin.js 顶部改为绝对路径）；想固定令牌可预置该文件。

📦 目录结构

dsh-browser-control/
├── docs/ 协议、需求、开发笔记（踩坑记录） ├── extension/ Chrome/Edge MV3 扩展（零构建，unpacked 加载） │ ├── manifest.json │ ├── background.js SW：连接/命令路由/截图/多frame聚合/授权门/保活 │ ├── content.js 页面操作层：元素树（含自绘 UI）/点击/输入/按键/滚动 │ └── popup.* 配对、连接状态、授权管理 UI ├── plugin/ DSH 动态 Cordis 插件（Host 半 + Client 半） │ ├── plugin.js WebSocket 桥、browser_* 工具、授权门、附件 │ ├── client.js GUI 常驻面板（shell.overlay） │ └── test/ 验证脚本（SHA1/base64、帧解析、心跳探针、模拟扩展…）
├── scripts/ install.ps1 安装检查与指引 ├── README.md 本文件（中文） ├── README.en.md 英文版 └── LICENSE MIT

🔒 安全模型

- 配对令牌：不硬编码；随机生成、仅存本机令牌文件
- 授权门：敏感类目（银行/支付/政务，源码常量可扩展）域名上的操作，必须经用户在浏览器侧确认（系统通知按钮或扩展 popup），授权按域名记住、可清除
- 数据最小化：read_page 只回文本化元素树；密码框值不回传；含密钥串的文本脱敏
- 高危命令：browser_run_js 默认拒绝（EPOLICY），如需启用需改插件策略
- 本地闭环：扩展只连接本机 DSH 地址，页面数据不出本机

🧪 开发与验证

- 协议契约：docs/protocol.md（v1.0）
- 需求与决策：docs/requirements.md
- 踩坑记录与验证工具：docs/DEVELOPMENT.md、plugin/test/
- 零构建：扩展无依赖、插件零 npm 依赖（SHA1/base64 为手写实现）

📄 许可证

MIT