共享浏览器面板imroc/dsh-embedded-browser

dsh-embedded-browser

一个住在 DSH 宿主里的浏览器：每个 DSH 会话都拥有它自己的标签页，AI 用 browser_embedded_ 工具驱动自己那一页，而你在 DSH Web UI 右侧栏里按需弹出的 tab 中看同一个标签页，随时可以接手。

0.3.0 起更名。 0.2.0 及以前这个插件叫 dsh-browser-panel：工具是 browser_panel_，路由在 /api/dsh-browser-panel/，profile 在 $DSH_HOME/browser-panel/profile。包名、仓库名和这些名字一起改了，现在工具前缀与包名一致。想保留 0.2.0 装出来的登录态，把 profileDir 指回旧目录即可。

它为一个顽固的问题而生：agent 跑在没有显示器的机器上，而它要用的站点都在登录后面。无头浏览器可以被脚本驱动，但它扫不了二维码、收不了短信验证码、过不了人机校验。有了这个插件，这些环节由你在 DSH Web UI 里完成，而且就在 AI 正在操作的那个标签页上；结果落进持久 profile，所以登录一次，所有会话都能用，重启之后也还在。

要解决的问题

- agent 宿主（容器、虚机、CI 机器）没有 GUI，无法把登录页展示给人看。
- 纯无头自动化会在"需要真人"的第一步卡死：SSO 跳转、一次性验证码、扫码登录、图形验证码、硬件密钥。
- 把 cookie / storageState 搬进容器很脆：设备绑定凭据（DBSC）、指纹、WebAuthn 都搬不过去。

能力

一个浏览器、每个会话一个标签页、两个控制面：AI 在自己那一页上走 CDP，人类在右侧栏那个镜像它的 tab 里看同一页、操作同一页；人类登录出来的会话，正是 AI 继续使用的会话——而且因为所有会话共用一个 profile，其余会话也一并处于登录态。

工具（懒注册）

这 12 个 browser_embedded_ 工具不会在插件加载时就注册。工具 schema 每一轮请求都要计费，所以默认它们不进工具列表，直到有证据表明模型确实在做浏览器任务：

- 成功调用 skill 工具且技能名为 browser-use；
- 人类在会话里发 /browser-use 手势；
- 会话历史日志里存在过一次成功调用——第三条路正是插件重载后重新开闸的依据。

也就是说：没有那个技能，就没有这批工具。 装插件的同时请一并装 browser-use 技能（见安装）——它是浏览器任务的入口技能（同时覆盖 BrowserSkill 通道），调用它就是发布这批工具的动作。开闸是宿主级的、且只在本进程内有效：一旦打开，本宿主进程内所有会话都能看到这批工具（ctx.tools.register 写进的是同一个宿主级注册表），包括之后新建的会话——所以一个会话看见工具、另一个会话没读过技能，是完全正常的，不是插件没生效。 重启 dsh-web 会开一个新进程、门闸也跟着回到关闭状态：在某个会话再次调用技能之前工具都不在，因为重载回放只看得到"当下活着"的会话（详见 references/PITFALLS.md #24）。把 lazyTools 设为 false 则回到"加载即注册"。

| 能力 | 工具 | 说明 |
|---|---|---|
| 查状态 | browser_embedded_status | 是否在运行、本会话标签页的 URL/标题、有没有待人类处理的动作 |
| 打开网址 | browser_embedded_navigate | 首次调用即启动浏览器；newTab 用新标签页替换本会话当前页面 |
| 读页面 | browser_embedded_snapshot | 标题、URL、带编号的可交互元素清单、可见正文 |
| 点击 | browser_embedded_click | 按元素编号或可见文字；派发真实输入事件 |
| 填字段 | browser_embedded_type | 兼容 React/Vue 受控输入；submit 顺带回车 |
| 按键 | browser_embedded_press | Enter、Tab、Escape、方向键、PageUp/Down 等 |
| 滚动 | browser_embedded_scroll | down/up/left/right/top/bottom |
| 改「环境」 | browser_embedded_emulate | 设备预设（iphone-14 等 7 个）/ 固定视口（width+height）/ 明暗（theme）；reset: true 还原成默认 |
| 页面求值 | browser_embedded_eval | 在本会话页面里跑一段 JS，结果以有界 JSON 返回（切主题、读计算样式、断言状态） |
| 看渲染 | browser_embedded_screenshot | PNG 以图片附件形式返回给模型 |
| 请人帮忙 | browser_embedded_ask_human | 带你的说明把本会话的浏览器标签页调出来，并等待人类点「我已完成」 |
| 关标签页 | browser_embedded_close | 关闭本会话的标签页；profile（含所有登录态）保留 |

browser_embedded_emulate 是每个标签页各自生效的临时状态，改它不动配置、不重启、也不影响别的会话；reset: true 回到 viewport 配置的那个默认视口。device 预设的名字、尺寸、DPR 与 UA 与 BrowserSkill 通道的 bsk emulate --device 逐字段对齐，所以在两条通道上「同一台设备」看到的是同一个页面。自检一个页面在手机上长什么样、在深色下长什么样，用这两个工具就够了：

browser_embedded_emulate  { "device": "iphone-14" }   →  browser_embedded_screenshot
browser_embedded_emulate  { "theme": "dark" }         →  browser_embedded_screenshot
browser_embedded_emulate  { "reset": true }

一个容易踩的差别：device 是真机保真，不是「窄窗口」。页面没写  时，Chrome 会照真机行为用 980 CSS px 布局再整体缩小——真实手机也是如此。只想把布局宽度钉成 390，就传 width/height（别带 mobile），它一定生效。

面板侧（DSH Web UI）：

- 右侧栏里有一个 浏览器 / Browser tab，就是这个会话那一页的实时画面。它不是每个会话都钉着的：只要这个会话有了浏览器标签页，它就自己弹出来——所以从不碰浏览器的会话，界面上不会多出任何东西；
- 右侧栏的引导页里有「内嵌浏览器」入口，这是手动打开这个 tab 的方式（AI 还没开浏览器时，或你自己把它关掉之后）；
- tab 的 chip 上有一个小圆点，表示这个会话正在等人——宿主级总览界面已经没有了，这是唯一的跨会话提示；
- 画布接受真实鼠标、滚轮、键盘与输入法事件——它不是截图查看器，事件会被回灌进 AI 正在用的那个 CDP 会话；
- 接管横幅只出现在发起请求的那个会话的 tab 里，点「我已完成」即让等待中的工具调用返回（还可以顺手给 AI 留言）；
- 工具栏有后退/前进/刷新/重绘，Tab / ⇧Tab / Enter 三个按钮可以不用鼠标走完一个表单，以及「结束并清理」；
- 你关掉这个 tab 是被尊重的：在浏览器本身重新起来之前，它不会自己弹回来（但新的人工请求例外——不弹出来，那个请求就会一直挂到超时）。

工作原理

flowchart LR
AI["AI 回合（browser_embedded_* 工具）"] -->|"CDP · 本会话的标签页"| B["Chrome（持久 profile）"]
H["你，在 DSH Web UI 里"] -->|"鼠标 · 键盘 · 输入法"| P["右侧栏 tab（client 半）"]
P -->|"WebSocket /api/dsh-embedded-browser/stream?session=…"| S["宿主半（screencast + 输入回灌）"]
P -->|"GET /api/dsh-embedded-browser/sessions（2 秒轮询）"| S
S -->|"Page.startScreencast（屏幕上的那一页）"| B
S -->|"Page.captureScreenshot（约 7fps，其余标签页）"| B
S -->|"Input.dispatch（该 tab 自己的标签页）"| B
B -->|"JPEG 帧"| S --> P
B -.->|"同一个 profile：cookies、localStorage"| D[("profile 目录$DSH_HOME/embedded-browser/profile")]

- 宿主半为每个 DSH 宿主进程启动一个 Chrome。mode: auto 下若有 Xvfb 就在私有 Xvfb 上跑 headed（指纹比 headless 好），否则自动退回 --headless=new。
- 会话的标签页是懒创建的：该会话第一次调用 browser_embedded_ 时，或人类在该会话的右侧栏 tab 里点打开按钮时，才开；会话被销毁、AI 调用 browser_embedded_close、或人类点「结束并清理」时关闭。会话之间隔离的是页面状态，不是身份：它们共用 profile，所以登录一次到处可用。
- 每个标签页在创建时只激活一次。一个从未被激活过的 Chrome target 会在余生里静默丢弃每一次注入的输入事件，而激活一次即可永久修复；此后即使标签页在后台，注入的输入也照样生效——所以 AI 永远不会抢你的前台。
- Chrome 只为当前活动标签页推流。你正在看的那个右侧栏 tab 会发 focus，由它独占真正的 Page.startScreencast；其余已连接的会话由轮询的 Page.captureScreenshot 供帧（目标约 7fps；当别的标签页占着 screencast 时，它的第一帧可能很慢，要几秒）。新打开的面板总会先补种一帧，因为静态页面自己不会产生任何帧。
- tab 正文在不可见时也是挂着的（栏折叠、或停在别的 tab 上），所以组件用可见性而不是挂载与否来开流：隐藏的 tab 不持有 WebSocket、也不发 focus，因此绝不会从正在观看的人手里抢走浏览器前台。
- 工具不带 session 参数：每个 handler 从自己的执行上下文（exec.agent.id）读会话 id，所以工具名与参数保持简单，会话之间也永远不可能互相操作对方的标签页。没有归属会话的调用直接报错。
- 工具由入口技能而非插件加载来发布（见上）；插件注入的系统提示词 section 会主动把模型指到这个技能上，这也是"被门闸挡住的一套工具"仍然可被发现的原因。
- 面板由宿主 webserver 提供，与 Web UI 同源、同一套会话认证（connection.requestRejection）。属于某个会话的路由带上它的 id——GET /api/dsh-embedded-browser/state?session=…、POST /open|/close（session 在 body 里）、以及 /stream?session=… 这个 WebSocket upgrade；GET /sessions 与 GET /health 描述整个宿主，POST /human-done 按 request id 结算。不需要额外端口、额外 token 或隧道。
- 人类接管是按会话的：两个会话可以同时等人，请求只会送到它自己那个会话的右侧栏 tab。
- 画面以 JPEG 走一条 WebSocket，输入以小 JSON 消息回传；连接跟不上时丢帧而不是排队。
- 不往 DSH 核心里写任何东西：插件就是组合树里的一行。
- 这些取舍背后的实测约束记在 references/PITFALLS.md（#11–#13 是浏览器侧的，#14–#16 是右侧栏与懒加载门闸的）。

环境要求

- DSH >= 0.1.5-rc.2，Node >= 22.19。
- 一个 Chromium 系浏览器。自动探测顺序：browserPath 配置 → PATH 上的 google-chrome-stable / google-chrome / chromium / chromium-browser / chrome → Playwright 缓存（~/.cache/ms-playwright/chromium-/…）→ Puppeteer 缓存。
- 可选：headed 模式需要 PATH 上有 Xvfb；没有就自动用 headless。

安装

版本 0.3.0。这个版本改了包名，所以 0.2.0 装出来的每一个名字都会被打破：dsh-browser-panel → dsh-embedded-browser、browser_panel_ → browser_embedded_、/api/dsh-browser-panel/ → /api/dsh-embedded-browser/、$DSH_HOME/browser-panel/profile → $DSH_HOME/embedded-browser/profile。0.2.0 是旧名下的最后一个版本；0.2.0 自己的那次破坏（每会话标签页、不再有共享页面模式）依然有效。

npm
dsh plugin --profile web add dsh-embedded-browser

直接从 GitHub
dsh plugin --profile web add github:imroc/dsh-embedded-browser

一个插件必须在 profile 里登记两处：一处是依赖（代码要落到 profile 自己的 node_modules 里），另一处是 dsh.profile.bundles（那个负责插入插件行的 patch 才会被应用）。dsh plugin … add 两处都会做，因为这个包声明了 dsh.bundle；手工只加一条依赖是装不上的。

包里带的是已构建好的 JavaScript，安装时不需要编译。

装完需要重启 Web UI（新增插件行属于启动期组合变更）：

systemctl --user restart dsh-web      # 或你启动 dsh web 的方式

建议同时安装 browser-use 技能

这 12 个工具被 browser-use 技能挡在门后，而这个技能不在本包里——它属于你的 profile 加载的技能。没有它（也没有 /browser-use 手势）门闸永远打不开，任何 browser_embedded_ 工具都不会被发布，模型只会告诉你这些工具不存在：

- 装一个全局的 browser-use 技能；或者
- 设 lazyTools: false 改成加载即注册，代价是每一轮请求都要带上这些 schema。

技能名硬编码在 lib/lazy.js 的 SKILL_NAME 里。你那边改了技能名，这里也要同步改。

验证

1. 工具被门闸挡着，所以第一步先开闸：让 AI 用 browser-use 技能，或直接在会话里发 /browser-use。此后 12 个 browser_embedded_* 工具对本宿主进程里的所有会话（含新建会话）可见。
2. 让 AI 打开一个网址：

用 browser_embedded_navigate 打开 https://example.com，然后 browser_embedded_snapshot。

3. 第一次浏览器调用会自己把 浏览器 / Browser tab 弹到右侧栏——那就是本会话在宿主 Chrome 里自己那一页。还没有任何浏览器时不会有这个 tab；右侧栏的引导页（「内嵌浏览器」）是手动先开一个的方式。
4. 让 AI 把控制权交给你，然后你自己在那个 tab 里完成登录：

调用 browser_embedded_ask_human，说明写「请在面板里完成登录，然后点我已完成」。

5. 登录完成点 我已完成 —— 工具调用返回，AI 带着已登录的会话继续往下做。你也可以先把这个 tab 关掉：下一次人工请求会把它再叫回来。
6. 再开一个会话，打开它自己的浏览器标签页：那是另一个标签页，但已经处于登录态，因为 profile 是共享的。关掉某个会话的标签页（browser_embedded_close，或点「结束并清理」）再打开：仍然是登录态。

配置

在你自己的 patch 层里覆盖任意字段（~/.dsh/cordis.patch.yml 或 profile 的 cordis.patch.yml）。config 是整键替换，需要什么就写全：

- id: embedded-browser
config:
mode: headless            # auto | headed | headless
viewport: 1280x800
idleShutdownMinutes: 30

| 字段 | 默认 | 含义 |
|---|---|---|
| browserPath | '' | 显式指定 Chrome/Chromium 路径；空 = 自动探测。 |
| profileDir | '' | 持久 profile；空 = $DSH_HOME/embedded-browser/profile。所有会话共用。 |
| mode | auto | auto = 有 Xvfb 时 headed，否则 headless。 |
| screen | 1440x900x24 | 私有 Xvfb 的分辨率。 |
| windowSize | 1440x900 | headed 模式的窗口尺寸。 |
| viewport | 1440x900 | 每个标签页的默认模拟视口（可用 browser_embedded_emulate 逐标签页临时改写，reset 回到这里）。 |
| xvfbDisplay | :99 | 首选 X display；被占用则顺延。 |
| port | 0 | 固定 DevTools 端口；0 表示自动挑空闲端口。 |
| startUrl | about:blank | 每个会话新标签页的首个地址。 |
| extraArgs | [] | 额外的 Chrome 启动参数。 |
| snapshotMaxChars | 4000 | 每次快照的正文预算。 |
| maxElements | 80 | 每次快照列出的可交互元素上限。 |
| screencastQuality | 60 | 推流 JPEG 质量（轮询快照同样用它）。 |
| screencastMaxWidth | 1440 | 推流画面的最大宽度。 |
| pollFrameMs | 140 | 拿不到前台 screencast 的面板用轮询供帧的间隔（约 7fps）；小于 60 会被夹到 60。 |
| askHumanTimeoutSeconds | 600 | browser_embedded_ask_human 的默认等待预算。 |
| idleShutdownMinutes | 10 | 空闲多久后关闭浏览器（连同所有会话的标签页）；0 表示从不关。回收是无损的：标签页会按最后的 URL 重开，profile 里的登录态也都还在。 |
| autoStart | false | 随宿主启动浏览器，而不是等第一次调用。 |
| lazyTools | true | 只在 browser-use 技能被调用之后才发布这 12 个工具（宿主级开闸，一次开对所有会话生效）；false 改成加载即注册。 |
| startTimeoutMs | 20000 | 启动后等待 DevTools 端点的上限。 |

安全须知

- 面板及其 WebSocket 与 DSH Web UI 同一套认证。能看到面板的人，本来就能操作宿主浏览器——请按这个标准看待 Web UI 的访问控制。
- 会话之间隔离的是页面状态，不是身份：所有会话共用同一个浏览器 profile，也就共用同一批 cookie 与登录态。这正是插件的意义所在，但同时也意味着某个会话的 AI 能够访问 profile 已登录的任何站点。
- profile 里是真实会话。它只留在宿主上（DSH home 目录下），不会上传，也不在 Git 仓库里。
- 浏览器流量从容器出去。数据中心 IP 比你的笔记本更"像机器人"；对付严格的站点，mode: headed（有 Xvfb 时的默认值）是这点上更划算的一半。
- 尽量用非 root 用户跑 Chrome 并保留沙箱；插件只在宿主进程是 root 时才自动补 --no-sandbox。

回退

dsh plugin --profile web remove dsh-embedded-browser   # 或直接从 cordis.patch.yml 删掉那一行

然后重启 Web UI。profile 目录会保留，所以重装后登录态还在；想彻底忘掉就删 $DSH_HOME/embedded-browser/profile。

License

MIT