193 lines
5.5 KiB
Markdown
193 lines
5.5 KiB
Markdown
# 在 LLM 智能体中集成 VisionL
|
||
|
||
> 让 LLM 通过 HTTP API 工具调用操控 VisionL 浏览器。
|
||
|
||
## 原理
|
||
|
||
VisionL daemon 提供完整的 REST API。LLM 将 API 调用注册为工具/函数（Function Calling），
|
||
在需要浏览网页时生成对应的 HTTP 请求。所有接口返回结构化 JSON，LLM 直接解析。
|
||
|
||
## API 总览
|
||
|
||
| 方法 | 端点 | 功能 |
|
||
|------|------|------|
|
||
| POST | `/pages` | 打开页面 |
|
||
| GET | `/pages` | 列出所有页面 |
|
||
| GET | `/pages/:id` | 页面详情 |
|
||
| DELETE | `/pages/:id` | 关闭页面 |
|
||
| POST | `/pages/:id/navigate` | 跳转 |
|
||
| POST | `/pages/:id/click` | 点击元素 |
|
||
| POST | `/pages/:id/type` | 输入文本 |
|
||
| POST | `/pages/:id/scroll` | 滚动 |
|
||
| POST | `/pages/:id/eval` | 执行 JS |
|
||
| POST | `/pages/:id/wait` | 等待 |
|
||
| GET | `/pages/:id/screenshot` | 截图（base64） |
|
||
| GET | `/pages/:id/text` | 纯文本 |
|
||
| GET | `/pages/:id/html` | HTML 源码 |
|
||
| GET | `/pages/:id/cookies` | Cookie 列表 |
|
||
| POST | `/pages/:id/cookies` | 设置 Cookie |
|
||
| DELETE | `/pages/:id/cookies/:name` | 删除 Cookie |
|
||
| GET | `/pages/:id/console` | 控制台日志 |
|
||
| GET | `/pages/:id/network` | 网络请求日志 |
|
||
| GET | `/profiles` | 指纹配置列表 |
|
||
|
||
完整文档见 [API 文档](../development/api.md)。
|
||
|
||
## 集成方式
|
||
|
||
### 方式一：Function Calling（推荐）
|
||
|
||
注册 `visionl_api` 工具，LLM 直接生成 HTTP 请求：
|
||
|
||
```json
|
||
{
|
||
"type": "function",
|
||
"function": {
|
||
"name": "visionl_api",
|
||
"description": "通过 VisionL 浏览器操控网页。支持打开页面、点击、输入、截图、提取文本、执行JS、管理Cookie、查看网络请求等。",
|
||
"parameters": {
|
||
"type": "object",
|
||
"properties": {
|
||
"method": {
|
||
"type": "string",
|
||
"enum": ["GET", "POST", "DELETE"],
|
||
"description": "HTTP 方法"
|
||
},
|
||
"path": {
|
||
"type": "string",
|
||
"description": "API 路径，如 /pages、/pages/baidu/text"
|
||
},
|
||
"body": {
|
||
"type": "object",
|
||
"description": "请求体（仅 POST 需要）"
|
||
}
|
||
},
|
||
"required": ["method", "path"]
|
||
}
|
||
}
|
||
}
|
||
```
|
||
|
||
### 使用流程
|
||
|
||
1. LLM 决策需要访问网页
|
||
2. LLM 调用 `visionl_api`：`POST /pages` 打开 baidu.com
|
||
3. 宿主程序执行 HTTP 请求，将 JSON 结果返回 LLM
|
||
4. LLM 解析结果，获得页面 ID `p_xxx`
|
||
5. LLM 继续：`GET /pages/p_xxx/text` 读取内容
|
||
6. 或：`POST /pages/p_xxx/click` 点击搜索
|
||
|
||
### 方式二：多工具注册
|
||
|
||
将每个操作注册为独立工具（更细粒度）：
|
||
|
||
```json
|
||
[
|
||
{
|
||
"name": "visionl_open",
|
||
"description": "打开网页",
|
||
"parameters": {
|
||
"url": { "type": "string" },
|
||
"alias": { "type": "string" }
|
||
}
|
||
},
|
||
{
|
||
"name": "visionl_text",
|
||
"description": "获取页面文本内容",
|
||
"parameters": {
|
||
"page_id": { "type": "string" }
|
||
}
|
||
},
|
||
{
|
||
"name": "visionl_click",
|
||
"description": "点击页面元素",
|
||
"parameters": {
|
||
"page_id": { "type": "string" },
|
||
"selector": { "type": "string" }
|
||
}
|
||
}
|
||
]
|
||
```
|
||
|
||
### 方式三：LangChain 集成
|
||
|
||
```python
|
||
from langchain.tools import BaseTool
|
||
import requests
|
||
|
||
class VisionLTool(BaseTool):
|
||
name = "visionl"
|
||
description = "浏览器操控工具。API 基础 URL: http://127.0.0.1:9527"
|
||
|
||
def _run(self, method: str, path: str, body: dict = None) -> str:
|
||
url = f"http://127.0.0.1:9527{path}"
|
||
resp = requests.request(method, url, json=body)
|
||
return resp.text
|
||
```
|
||
|
||
## LLM 系统提示词建议
|
||
|
||
```
|
||
你可以使用 visionl_api 工具操控浏览器：
|
||
|
||
打开页面: POST /pages {"url":"...","alias":"..."}
|
||
页面文本: GET /pages/{id}/text
|
||
页面截图: GET /pages/{id}/screenshot (返回 base64)
|
||
点击元素: POST /pages/{id}/click {"selector":"#id"}
|
||
输入文本: POST /pages/{id}/type {"selector":"#id","text":"..."}
|
||
执行 JS: POST /pages/{id}/eval {"code":"..."}
|
||
滚动页面: POST /pages/{id}/scroll {"deltaY":300}
|
||
等待加载: POST /pages/{id}/wait {"ms":2000}
|
||
查看Cookie: GET /pages/{id}/cookies
|
||
网络日志: GET /pages/{id}/network
|
||
关闭页面: DELETE /pages/{id}
|
||
|
||
所有接口返回 {"ok":true,"data":{...}} 或 {"ok":false,"error":{...}}。
|
||
打开页面后记录返回的 page_id，后续操作使用该 id。
|
||
页面在被显式 kill 之前永远存活，可跨多轮对话复用。
|
||
```
|
||
|
||
## 多页面并行管理
|
||
|
||
LLM 同时打开多个页面，通过别名区分：
|
||
|
||
```
|
||
LLM: POST /pages {"url":"https://docs.python.org","alias":"py"}
|
||
→ {"ok":true,"data":{"id":"p_aaa",...}}
|
||
|
||
LLM: POST /pages {"url":"https://developer.mozilla.org","alias":"mdn"}
|
||
→ {"ok":true,"data":{"id":"p_bbb",...}}
|
||
|
||
LLM: GET /pages/py/text # 读 Python 文档
|
||
LLM: GET /pages/mdn/text # 读 MDN 文档
|
||
```
|
||
|
||
## 错误处理
|
||
|
||
```json
|
||
// 失败示例
|
||
{"ok":false,"error":{"code":"PAGE_NOT_FOUND","message":"页面 py 不存在"}}
|
||
```
|
||
|
||
常见错误码及处理：
|
||
|
||
| 错误码 | HTTP | 处理建议 |
|
||
|--------|------|---------|
|
||
| `PAGE_NOT_FOUND` | 404 | 页面已关闭，重新打开 |
|
||
| `DAEMON_UNREACHABLE` | 502 | 启动 daemon 或稍后重试 |
|
||
| `TIMEOUT` | 408 | 页面加载慢，重试或增加等待 |
|
||
| `ALIAS_EXISTS` | 409 | 换别名或直接用 page_id |
|
||
|
||
## 反检测能力
|
||
|
||
VisionL 内置多层反检测，使自动化访问尽可能不被简单人机验证拦截：
|
||
|
||
- `navigator.webdriver` → `false`
|
||
- 真实 Chrome User-Agent 和请求头
|
||
- Canvas/WebGL/Audio 指纹加噪
|
||
- 屏幕分辨率和视口合理性
|
||
- 权限状态模拟
|
||
- 3 套指纹模版可切换
|
||
|
||
详见 [反检测设计文档](../development/anti-detection.md)。
|