Athena Browser MCP

代理Web界面

一个用于浏览器自动化的MCP服务器，它公开了针对LLM代理优化的语义、令牌高效的页面表示。

______________________________________________________________________

动机

基于LLM的代理在严格的上下文窗口和令牌约束下运行。 然而，大多数浏览器自动化工具都会向模型公开整个DOM或完整的可访问性树。

这导致：

• 代币迅速耗尽
• 更高的推理成本
• 由于相关信号被埋在噪声中，可靠性降低

在实践中，代理人会花费更多的精力 _发现_ 正确的信息比推理更重要。

Agent Web界面的存在是为了更改向模型公开的信息单位。

______________________________________________________________________

核心思想：语义页面快照

Agent Web Interface不公开原始DOM结构或完整的可访问性树，而是生成 语义页面快照.

这些快照是：

• 结构紧凑
• 专注于用户可见意图
• 专为LLM召回和推理而设计，而不是DOM完整性
• 在布局变化和DOM变动中保持稳定

目标不是镜像浏览器，而是以与语言模型推理界面的方式一致的形式呈现页面。

______________________________________________________________________

运作原理

在高层次上：

1. 浏览器通过Puppeteer和CDP进行控制
2. 页面被缩减为语义区域和可操作元素
3. 生成结构化快照并将其发送到LLM
4. 操作是针对稳定的语义标识符而不是脆弱的选择器来解决的

这种分离保持了：

• 浏览器生命周期管理隔离
• 快照确定性和低熵
• 代理推理可预测且高效

______________________________________________________________________

基准测试

与剧作家MCP的早期基准测试显示：

• 消耗的代币减少约19%
• 任务完成速度提高约33%
• 常见导航任务的成功率相同或更高

使用Claude Code在代表性的现实世界任务上运行基准测试。 结果取决于任务，应该被视为有方向性的，而不是绝对的。

______________________________________________________________________

代理Web界面是什么（不是什么）

代理Web界面为：

• 浏览器和LLM代理之间的语义接口
• 专注于可靠性和效率的MCP服务器
• 专为代理工作流程而非测试自动化而设计

代理Web界面不是：

• 通用浏览器
• 可视化测试或屏幕截图框架
• Puppeter的替代品

木偶仍然是执行层；Agent Web界面侧重于表示和推理。

______________________________________________________________________

用法

代理Web界面实现了 模型上下文协议（MCP） 并与以下人员合作：

• 克劳德代码
• 克劳德桌面
• 光标
• VS代码
• 任何兼容MCP的客户端

示例工作流包括：

• 浏览复杂的web应用程序
• 处理登录和同意流程
• 以较低的令牌使用率执行多步骤UI交互

______________________________________________________________________

克劳德代码

# Default: connects to your running Chrome, falls back to launching a new browser
claude mcp add agent-web-interface -- npx agent-web-interface@latest

# Explicit mode: always connect to your Chrome (no fallback)
claude mcp add agent-web-interface -e AWI_BROWSER_MODE=user -- npx agent-web-interface@latest

# Explicit mode: always launch a persistent browser
claude mcp add agent-web-interface -e AWI_BROWSER_MODE=persistent -- npx agent-web-interface@latest

______________________________________________________________________

CLI参数

服务器只接受传输级别参数。浏览器配置是通过以下方式按会话进行的 navigate 工具。

浏览器会话模式

浏览器初始化在第一次工具调用时自动进行。集 AWI_BROWSER_MODE 要控制浏览器的启动方式：

示例：

# Auto mode (default) — connects to Chrome if running, else launches
npx agent-web-interface

# Always connect to your Chrome (fails if Chrome isn't running)
AWI_BROWSER_MODE=user npx agent-web-interface

# Always launch with persistent profile
AWI_BROWSER_MODE=persistent npx agent-web-interface

# Headless isolated browser
AWI_BROWSER_MODE=isolated AWI_HEADLESS=true npx agent-web-interface

# HTTP transport mode
npx agent-web-interface --transport http --port 8080

______________________________________________________________________

使用现有的Chrome（Chrome 144+）

要连接书签、扩展名和登录会话，请执行以下操作：

1. 导航至 chrome://inspect/#remote-debugging 在Chrome浏览器中
2. 启用远程调试并允许连接
3. 集 AWI_BROWSER_MODE=user （或在自动模式下保持未设置）

{
  "mcpServers": {
    "agent-web-interface": {
      "command": "npx",
      "args": ["agent-web-interface@latest"],
      "env": {
        "AWI_BROWSER_MODE": "user"
      }
    }
  }
}

______________________________________________________________________

环境变量

______________________________________________________________________

安装

git clone https://github.com/lespaceman/agent-web-interface
cd agent-web-interface
npm install
npm run build

根据MCP集成说明在客户端中配置MCP服务器。

______________________________________________________________________

架构概述

Agent Web界面将关注点分为三层：

• 浏览器生命周期 --页面创建、导航、拆卸
• 语义快照生成 --区域、元素、标识符
• 行动决议 --将代理意图映射到浏览器操作

这种分离允许每一层独立进化，同时保持代理可见行为的稳定。

______________________________________________________________________

状态

Agent Web界面正在积极开发中。 API和快照格式可能会随着真实世界的代理使用情况的变化而演变。

特别欢迎建筑代理系统从业者的反馈。

______________________________________________________________________

许可证

麻省理工学院