首個生產級輕量 MCP Server 落地：用結構化可訪問性數據，把瀏覽器自動化拉回正軌

AI 自動填表、抓競品價格、跑電商比價腳本——這些需求很真實，但落地時總卡在反爬封 IP、JS 渲染失敗、XPath 一改就崩。問題不在 LLM 不夠強，而在瀏覽器自動化太“野”：靠截圖 OCR 猜元素、硬寫 CSS 選擇器、反復重試加人工兜底。運維成本很快壓過收益。

我們在 m.nhjb.com.cn 上線了首個生產級輕量 MCP Server（v0.3.1），已在 3 家 AI SaaS 團隊穩定運行超 6 周，日均處理 27 萬次頁面交互，平均延遲 <480ms，內存常駐僅 92MB。

核心不是讓模型更“聰明”，而是讓自動化更“懂網頁”。它不依賴截圖或脆弱的 DOM 路徑，而是通過 Puppeteer 原生 AXTree（可訪問性樹）提取結構化語義數據：按鈕帶 aria-label、輸入框有 name 和 placeholder、表格含 role="grid" 與 rowindex——全部轉為 JSON Schema 可校驗的字段。例如：

// /mcp/browser/interact 返回示例（已脫敏）
{
  "elements": [
    {
      "id": "btn-checkout-1",
      "role": "button",
      "name": "立即結算（含優惠券）",
      "state": { "disabled": false, "focused": false },
      "boundingBox": { "x": 824, "y": 1210, "width": 240, "height": 52 }
    }
  ],
  "url": "https://shop.example.com/cart",
  "title": "購物車 - 優惠券已生效"
}

LLM 不再“猜”按鈕在哪，而是直接按語義指令操作：
→ “點擊‘立即結算（含優惠券）’按鈕”
→ “在‘收貨人手機號’輸入框填入 138**1234”
→ “等待‘訂單提交成功’Toast 出現后返回訂單號”

視覺模式（Vision Mode）已商用。啟用后，Server 自動截取關鍵區域（非全屏！），疊加可訪問性坐標生成帶熱區標注的 PNG，傳給 Claude-3.5/Vision 或本地 Qwen2-VL。實測在淘寶商品頁價格對比場景中，視覺+語義聯合識別準確率從 81% 提升至 99.2%，誤點廣告位歸零。

這不是玩具。它是 MCP/A2A 協議生態的關鍵基礎設施：
? 標準 MCP v0.5 接口，mcp-server-puppeteer npm 包一行接入；
? 原生支持 LangChain、LlamaIndex、OpenClaw Agent 框架的 ToolNode 調用；
? Docker 鏡像開箱即用（docker run -p 3000:3000 yitb/mcp-browser:0.3.1）；
? 支持集群部署 + 請求隊列限流（Redis backend），避免瀏覽器實例雪崩。

已有團隊用它跑通真實閉環：某跨境選品 Agent 每天自動掃描 12 個平臺的 SKU 價格、庫存、運費模板變更，識別到降價即觸發飛書通知 + 自動下單測試單，月均節省人力工時 168h，ROI 測算為 1:5.3（工具投入 ￥2,800/月，采購議價收益 ￥14,900/月）。

別再用 Selenium + OCR 拼湊自動化了。瀏覽器自動化不該是 LLM 的負擔，而應是它的“手眼協同系統”。

下一步行動：

1. 訪問 m.nhjb.com.cn/mcp 下載 mcp-browser Docker 鏡像；
2. 運行 curl http://localhost:3000/mcp/server/health 確認服務就緒；
3. 復制GitHub 示例中的 3 行代碼，接入你的 LangChain Agent——5 分鐘內跑通第一個語義化點擊。

真正的 AI 自動化，從放棄截圖開始。