Browser Automation + Plain Text LLM Vision

Project overview

用 Playwright 驱动真实浏览器（Edge / Chrome / Chromium），再通过视觉模型（默认智谱 GLM-4V，也支持任意 OpenAI 兼容 / 本地模型）把截图转成文字，给文本模型装上"眼睛"。

提供两种形态： 独立 CLI —— browser-agent DeepSeek Harness Cordis 插件 —— 注册一组 browser 原生工具，会话内直接调用

browser-use 这类工具要求一个多模态 LLM 当大脑。如果你用的是纯文本模型（DeepSeek 等），它看不到截图，就无法自己驱动浏览器循环。