Kimi WebBridge 原理

目录

• 架构概览
• 通信流程
• 关键设计点
• 核心工具一览
• 已知限制

---

架构概览

Kimi WebBridge 由三个核心组件协作：

1. 浏览器扩展 — 安装在用户真实浏览器（Chrome 等）中，拥有对浏览器标签页、DOM 的完整访问权限。
2. 本地守护进程 (Daemon) — 运行在 http://127.0.0.1:10086 的本地 HTTP 服务，由 ~/.kimi-webbridge/bin/kimi-webbridge 启动和管理。
3. AI Agent（如 Claude） — 通过 curl 向守护进程发送 JSON 指令。

通信流程

Claude → curl POST → 本地 Daemon (127.0.0.1:10086) → 浏览器扩展 → 操作真实浏览器

1. AI 把操作意图（如”导航到某 URL”、”点击某元素”）以 JSON 格式 POST 给 Daemon
2. Daemon 转发指令给浏览器扩展
3. 扩展在真实浏览器中执行操作（点击、填表、截图等）
4. 结果沿原路返回给 AI

关键设计点

• 使用用户的真实浏览器：扩展运行在用户已有的浏览器会话中，能复用用户的登录状态（cookies、session），不需要重新登录任何网站
• 无障碍树 (Accessibility Tree)：snapshot 返回语义化的无障碍树，元素以 @e 引用标识。比 CSS 选择器更稳定——即使网站改了 class 名字，语义引用仍然有效
• 合成事件：click 和 fill 通过 el.click() 和原生 setter + 事件派发实现，属于 DOM 层的合成事件（isTrusted=false），因此某些严格检查 isTrusted 的网站（如银行、验证码）无法操作
• Session 隔离：不同 session 对应不同的标签页组，可以同时操作多个网站互不干扰
• fill 的三种模式：
  • <input> / <textarea>：设置 .value，触发 input/change 事件
  • [contenteditable]（ProseMirror/Lexical/Slate 等）：聚焦 → 全选 → document.execCommand('insertText')，触发 beforeinput/input 事件
  • 其他元素：最佳努力设置 .value + 触发事件

核心工具一览

工具	作用	关键参数
navigate	导航到指定 URL	url, newTab, group_title
find_tab	复用已打开的标签页	url, active
snapshot	获取页面无障碍树	无
click	点击元素	selector（@e 引用或 CSS）
fill	填写文本	selector, value
evaluate	执行 JavaScript	code（支持 async/await）
screenshot	截图（需用辅助脚本）	format, quality, selector
network	捕获网络请求	cmd, filter, requestId
save_as_pdf	保存页面为 PDF	paper_format, landscape, scale

已知限制

• 严格检查 isTrusted 的网站：银行、验证码等场景，合成事件会被拒绝，这是产品边界而非 bug
• 跨域 iframe：fill、click、evaluate、snapshot 仅操作顶层帧，跨域 iframe 中的元素需直接导航到 iframe 的 URL