Puppeteer MCP 与 Playwright MCP:深度对比与选择指南
目录
原文链接:https://zhuanlan.zhihu.com/p/1891569128860534619
作者:二师兄说 AI(互联网行业 Java 工程师)
收录于:MCP100 个案例
有人问:都是让 LLM 操作浏览器,Puppeteer MCP 和 Playwright MCP 到底差在哪?两个服务器最直观的差别在模型拿到的元素标识上。Puppeteer MCP 让模型给出 CSS selector;Playwright MCP 默认返回一棵可访问性树,模型拿到的是带 ref 的节点。两边都能完成点击,但页面一改版,失败的方式完全不同。
MCP(Model Context Protocol)在这里承担的是协议层:它把浏览器动作暴露成 tools,客户端通过 JSON-RPC 调用。两个 server 的协议层是一样的;差别在底层自动化库和交互抽象。Puppeteer 由 Chrome 团队开发,直接走 CDP;Playwright 由 Microsoft 开发,默认用可访问性树做元素定位。这两种抽象决定了后面的失败模式、性能边界和选型判断。
Puppeteer MCP:CSS 选择器与 CDP 直连 #
Puppeteer MCP 把 Puppeteer 的能力包装成一组工具:puppeteer_navigate 导航,puppeteer_screenshot 截图(整页或某个 CSS 选择器),puppeteer_click、puppeteer_hover、puppeteer_fill、puppeteer_select 分别处理点击、悬停、输入和下拉选择,puppeteer_evaluate 允许模型提交一段 JavaScript 在页面里执行。服务器还会暴露控制台日志和截图这类资源,方便模型在失败后回看现场。这些工具的定位方式统一是 CSS selector;模型要先知道 DOM 结构,才能写出选择器。
这种设计在 Chromium 上很直接。Puppeteer 通过 Chrome DevTools Protocol 控制浏览器,路径短,启动和操作的开销容易控制;某些实现还支持连接到已经开启远程调试的 Chrome 实例,这对需要复用登录态、接管现有浏览器会话的场景很有用。安装也不复杂:原文给出的方式包括 npm install -g puppeteer-mcp、npx puppeteer-mcp 和 Docker 无头模式。代价是模型要承担选择器的脆弱性。CSS-in-JS 生成的哈希 class 每次构建都会变;iframe 和 shadow DOM 需要额外的穿透;虚拟列表只渲染可视区域,模型看到的节点和实际 DOM 可能对不上。这些问题不会让工具报错,只会让点击落在错误的元素上,或者等不到元素超时。
puppeteer_evaluate 解决复杂交互,也放大了权限边界。页面里的拖拽、canvas 绘制、需要读取内部状态的场景,用一段 JS 往往比让模型猜十次选择器更可靠。但这也意味着模型拿到了执行任意 JavaScript 的能力,权限边界要由部署方自己收:只读页面、限制可访问的域名、把浏览器放在隔离容器里,比在提示词里写“不要执行危险操作”更实际。
维护状态是 Puppeteer MCP 的另一个变量。原文采集信息时,npm 包 @modelcontextprotocol/server-puppeteer 的最近一次发布是四个月前;GitHub 上还有 merajmehrabi/puppeteer-mcp-server、twolven/mcp-server-puppeteer-py 等社区实现,活跃度各不相同。文档和示例散落在博客、Cursor Directory 和 npm 页面里,缺少一个集中的官方入口。这不等于不能用,但意味着选型时要把“谁来跟进 upstream”算进成本。[待补:截至你读到这篇文章时,@modelcontextprotocol/server-puppeteer 与主要社区 fork 的最新版本、维护状态和安全公告]
Playwright MCP:把可访问性树变成模型的操作界面 #
Playwright MCP 的默认模式是快照模式。它调用 browser_snapshot,把页面的可访问性树(accessibility tree)整理成模型可读的结构,每个可交互节点带一个 ref;browser_click 接收元素描述和这个 ref,不需要模型生成 CSS selector。可访问性树描述的是“页面上有什么角色、叫什么名字、能不能操作”,这些信息比 DOM 的 class 名稳定得多;模型也不需要用视觉模型去猜坐标。服务器提供的工具覆盖导航、前进后退、点击、悬停、拖拽、输入、选择选项、选择文件、按键、快照、截图、保存 PDF、等待和关闭页面。传输层还支持通过 --port 启用 SSE,客户端可以用事件流接收结果。
快照模式的核心收益是确定性:同一个页面结构,模型拿到的是同一组 ref 和角色名;点击失败时,错误通常是“元素不存在”或“不可操作”,而不是“坐标偏了几个像素”。Playwright 在点击前会做 actionability 检查:元素要可见、稳定、启用,并且能接收事件;Puppeteer 主要等 selector 出现,元素是否被遮挡、是否在动画中,要自己写等待条件。这个差异在动态页面上很实际——一个正在展开的菜单,selector 已经存在,但点击可能落在动画中间。
快照模式也有边界。可访问性树依赖页面的语义结构:原生按钮、链接、表单控件、带 role/label 的自定义组件,在树里都有清晰的节点;如果页面是大量 div 加 canvas 画出来的,树里可能只剩几个 generic 节点,模型看不到可操作对象。这时可以切到视觉模式:用截图和坐标点击、拖拽、输入。视觉模式不依赖 ARIA,但坐标对 viewport、滚动位置和 devicePixelRatio 很敏感,页面一滚动或缩放,原来的坐标就失效;截图还会增加上下文成本。原文的结论是快照模式“依赖于结构良好的可访问性信息”,这句话应该反过来读:页面的语义质量决定了快照模式的上限。
Playwright MCP 的安装入口是 npm install @playwright/mcp@latest,VS Code 有专门的集成按钮和 CLI 命令;配置 MCP 客户端通常只需要指定 npx @playwright/mcp@latest 这条命令。命令行选项可以选浏览器、无头模式和监听端口。它的维护由 Microsoft 支持,原文采集时仓库有多位贡献者、近期有发布,这是它相对 Puppeteer MCP 的明显优势。[待补:截至你读到这篇文章时,microsoft/playwright-mcp 的最新版本、发布节奏与已知的 breaking change]
真正影响选型的几个差异 #
选型时最先要看的是元素定位的抽象。CSS selector 把“找元素”的责任交给模型,模型需要理解 DOM 结构、class 命名和页面层级;可访问性 ref 把“找元素”的责任交给浏览器,模型只需要理解角色和名字。前者在结构稳定、class 有语义的页面上很快,后者在动态页面和组件库页面上更稳。两者的失败模式也不同:selector 失效通常表现为找不到元素或点错元素;ref 失效通常表现为元素不可操作或快照里没有这个角色。排查时,前者要去看 DOM,后者要去看 ARIA。
浏览器覆盖范围是另一个维度。Puppeteer 主要面向 Chromium,Firefox 支持仍是实验性的;Playwright 覆盖 Chromium、Firefox 和 WebKit,Edge 走 Chromium 通道。这个差异只有在你的产品真的需要跨浏览器测试时才有意义。如果只做 Chrome 内部的自动化,跨浏览器支持不会带来收益,反而会增加 API 和调试的复杂度。
多语言支持这里容易误读。Playwright 作为库提供 JavaScript/TypeScript、Python、Java 和 .NET 绑定;但 @playwright/mcp 本身是一个 Node 服务器。MCP 客户端用什么语言都能连,因为协议走 JSON-RPC;Playwright 的多语言绑定不会自动变成 MCP server 的多语言实现。如果你的 Python 服务想直接调用 Playwright,应该用 Playwright 的 Python 库,而不是通过 MCP server 绕一圈。选 MCP server 时,客户端语言不是决定因素。
维护和社区状态也得算进去。原文采集时,Playwright MCP 由 Microsoft 维护、仓库活跃、近期有发布;Puppeteer MCP 的参考实现发布节奏慢,社区实现分散。这个对比有时效性,但方向值得注意:MCP 生态还在快速变化,一个 server 的协议兼容性、浏览器版本跟进和安全修复,比多一个工具更重要。
性能方面,公开资料里没有直接比较两个 MCP server 的 benchmark。能确定的机制有两条:Puppeteer 直接走 CDP,在 Chromium 上的控制路径短;Playwright 的快照模式省掉了截图编码和视觉模型调用,但可访问性树本身可能很大,token 成本不一定低。一个节点很多的页面,快照文本可能比一张压缩截图更占上下文;一个语义很差的页面,快照又可能信息不足。这两条机制都不能单独推出“谁更快”,只能作为压测假设。[待补:同一组页面上,两个 MCP 的任务成功率、每步延迟、快照 token 数和总步数对比]
还有一个常被忽略的点:连接已有浏览器。某些 Puppeteer MCP 实现支持连接已开启远程调试的 Chrome,这对复用登录态很有用;Playwright 也提供 connectOverCDP,可以接管已启动的 Chromium,或者用 persistent context 保留用户目录。这个能力不是 Puppeteer 独占,差异在使用示例和封装程度。选型时不要因为“要连现有 Chrome”就直接排除 Playwright。
从用例看,两者都能做导航、表单填写、截图、抓取 JavaScript 渲染的页面和自动化测试。Puppeteer MCP 更常见的组合是:用 puppeteer_evaluate 执行自定义脚本、监控控制台日志、生成文档截图;Playwright MCP 更常见的组合是:用快照做结构化数据提取、用 browser context 隔离多个会话、在测试里依赖 actionability 检查和网络拦截。真正需要做负载测试或远程调试时,两边都能搭,差别在周边工具和示例的成熟度。
怎么选 #
如果让我给一个默认判断:面向 LLM 的浏览器自动化,优先选 Playwright MCP。理由是快照模式把元素定位变成了结构化引用,模型不需要猜 CSS selector;Playwright 的 actionability 检查能挡掉一部分动态页面的误点击;Microsoft 的维护节奏也更适合长期依赖。这个默认判断的前提是页面有基本的语义结构——原生控件、合理的 role/label,或者至少能被可访问性树识别。
如果已经在用 Chrome 的远程调试端口,或者目标页面只在 Chromium 上跑,Puppeteer MCP 的直连路径更短。页面大量使用 canvas 或自定义渲染时,CSS selector 本来就不适用,可以用截图或 puppeteer_evaluate 直接操作;只想要很少几个工具、不想引入 Playwright 抽象层,也属于同一类需求。这些条件里,只有“接管现有 Chrome”是 Puppeteer 的传统强项;其他几条在 Playwright 里也有对应方案,选 Puppeteer 更多是为了更短的路径和更少的抽象。
如果页面语义很差,先别在快照模式上硬扛。Playwright MCP 的视觉模式可以兜底,但坐标点击的稳定性不如 ref;Puppeteer MCP 的 puppeteer_evaluate 可以直接读取页面内部状态,代价是给模型放开了 JavaScript 权限。两条路都要在隔离环境里跑,并且限制可访问的域名。对于 canvas 编辑器、地图、视频时间轴这类没有 DOM 语义的界面,最可靠的做法往往是为自动化提供一个隐藏的控制接口,而不是让模型去点像素。
最后,别把这篇对比当成静态结论。原文的发布记录是素材收集时的快照,MCP 生态几个月就会变一轮;选型前自己做一次小规模 A/B:同一组页面、同一批任务,记录成功率、步数、快照 token 和延迟。如果 Playwright 的快照在你们的页面上经常缺失关键元素,或者你确实需要接管一个已登录的 Chrome,结论可能反过来。[待补:这组 A/B 的真实数据]