做浏览器自动化的人应该都用过Playwright或者Selenium，写过的人也都知道那个痛——选择器一改页面就挂，维护成本极高。去年接触到PinchTab之后，发现浏览器自动化还有另一种思路：让AI来理解页面结构，而不是靠硬编码的选择器。
这篇文章分享PinchTab的实际使用体验，包括部署过程和几个真实场景的测试。
为什么需要AI驱动的浏览器控制
传统浏览器自动化的问题本质上是"脆弱"。你用CSS选择器或XPath定位页面元素，只要页面稍微改版——按钮挪了个位置、class名变了、DOM结构调了——你的脚本就废了。维护这些脚本的成本经常比手动操作还高。
AI驱动的方案不同：它不是靠选择器定位元素，而是"看"页面，理解页面结构，然后决定怎么操作。就像人操作浏览器一样——看屏幕、找按钮、点击。页面怎么改版都不怕，因为AI是基于视觉理解来操作的，不是基于DOM结构。
PinchTab是什么
PinchTab是一个开源的AI浏览器控制框架。它通过CDP（Chrome DevTools Protocol）连接浏览器，截取页面截图，用视觉模型理解页面内容，然后执行点击、填写、滚动等操作。
和Playwright/Selenium相比，PinchTab的核心区别在于：不需要写选择器，用自然语言描述要做什么就行；页面结构变化不影响脚本，因为它是"看"页面而不是"解析"DOM；支持复杂操作流程，可以处理多步骤的任务。
部署过程
PinchTab基于Python，安装不复杂：
pip install pinchtab
需要一个运行中的Chrome/Chromium实例（启用远程调试模式）：
# Linux
google-chrome --remote-debugging-port=9222 --no-first-run
# macOS
/Applications/Google\ Chrome.app/Contents/MacOS/Google\ Chrome --remote-debugging-port=9222
连接浏览器：
from pinchtab import Browser
browser = Browser("http://localhost:9222")
browser.navigate("https://example.com")
实战测试
测试一：表单填写
测试场景是在一个注册页面自动填写表单：
# 自然语言描述操作
browser.act("在用户名输入框中填写 'testuser'")
browser.act("在邮箱输入框中填写 'test@example.com'")
browser.act("在密码输入框中填写 'Test123456'")
browser.act("点击注册按钮")
实测下来，简单的表单填写成功率在90%以上。偶尔会在复杂页面上认错输入框，特别是有两个外观相似的输入框时。
测试二：信息提取
result = browser.act("提取页面上所有产品的名称和价格")
print(result)
# 输出：[{"name": "产品A", "price": "¥99"}, {"name": "产品B", "price": "¥199"}]
信息提取的准确率不错，视觉模型对结构化内容的理解能力比预期好。
测试三：多步骤流程
browser.navigate("https://news.example.com")
browser.act("点击第一篇文章的标题")
browser.act("等待页面加载完成")
browser.act("提取文章标题和正文前三段")
browser.act("点击浏览器后退按钮")
多步骤流程的稳定性取决于每一步的可靠性。单步成功率90%的话，5步流程的成功率大约是0.9^5 ≈ 59%。这是目前AI浏览器控制方案的通病。
和其他方案的对比
PinchTab vs Playwright：Playwright稳定可靠，适合结构固定的页面（比如内部管理系统）。PinchTab灵活但有随机性，适合结构不固定或者需要跨站操作的场景。
PinchTab vs Browser Use：两者思路类似，都是AI驱动的浏览器控制。PinchTab更轻量，上手更快；Browser Use生态更丰富，支持更多模型。
踩坑记录
截图质量影响识别准确率。如果浏览器窗口太小或者DPI设置不对，AI可能看不清页面上的文字。建议设viewport为1280x800以上。
操作间隔需要给页面留加载时间。AI判断"页面加载完成"不一定准确，复杂页面建议加显式等待。
费用方面，每次操作都需要调用视觉模型API，高频使用时API费用不容忽视。用本地视觉模型可以降低成本但效果会打折扣。
写在最后
PinchTab代表了浏览器自动化的一个有趣方向：从"精确控制"走向"智能理解"。对于结构不固定的页面、需要跨站操作的任务，AI驱动的方案确实有优势。但它还不够成熟，稳定性还需要提升。建议在非关键场景中试用，核心流程还是用传统方案。