Browser CDP Supervisor — 设计文档 - 词元之母TOK.MOM Docs

状态： 已发布（PR 14540）
最后更新： 2026-04-23
作者： @teknium1

问题

原生 JS 对话框（alert/confirm/prompt/beforeunload）和 iframe 是我们浏览器工具中最大的两个缺口：

对话框会阻塞 JS 线程。 页面上的任何操作都会挂起，直到对话框被处理。在此工作之前，agent 无法感知对话框是否已打开——后续的工具调用会挂起或抛出不透明的错误。

iframe 不可见。 Agent 可以在 DOM 快照中看到 iframe 节点，但无法在其中点击、输入或执行 eval——尤其是运行在独立 Chromium 进程中的跨域（OOPIF）iframe。

PR #12550 提出了一个无状态的 browser_dialog 包装器。该方案无法解决检测问题——它只是在 agent 已经（通过症状）知道对话框已打开时，提供了一个更简洁的 CDP 调用。已作为被取代方案关闭。

后端能力矩阵（2026-04-23 实测验证）

使用一次性探测脚本，针对一个在主框架和同源 srcdoc iframe 中触发 alert 的 data-URL 页面，以及一个跨域 https://example.com iframe 进行测试：

后端	对话框检测	对话框响应	框架树	OOPIF `Runtime.evaluate`（通过 `browser_cdp(frame_id=...)`）
本地 Chrome（`--remote-debugging-port`）/ `/browser connect`	✓	✓ 完整流程	✓	✓
Browserbase	✓（通过 bridge）	✓ 完整流程（通过 bridge）	✓	✓（`document.title = "Example Domain"` 已在真实跨域 iframe 上验证）
Camofox	✗ 无 CDP（仅 REST）	✗	通过 DOM 快照部分支持	✗

Browserbase 响应的工作原理。 Browserbase 的 CDP 代理在内部使用 Playwright，并在约 10ms 内自动关闭原生对话框，因此 Page.handleJavaScriptDialog 无法跟上。为解决此问题，supervisor 通过 Page.addScriptToEvaluateOnNewDocument 注入一个 bridge 脚本，将 window.alert/confirm/prompt 覆盖为向魔法主机（hermes-dialog-bridge.invalid）发起的同步 XHR。Fetch.enable 在这些 XHR 触达网络之前将其拦截——对话框变成 supervisor 捕获的 Fetch.requestPaused 事件，respond_to_dialog 通过 Fetch.fulfillRequest 以 JSON 响应体完成请求，注入的脚本对其进行解码。

最终效果：从页面角度看，prompt() 仍然返回 agent 提供的字符串。从 agent 角度看，无论哪种方式，都是同一套 browser_dialog(action=...) API。已针对真实 Browserbase 会话进行端到端测试——4/4（alert/prompt/confirm-accept/confirm-dismiss）全部通过，包括值回传到页面 JS 的验证。

Camofox 在本 PR 中暂不支持；计划在 jo-inc/camofox-browser 提交上游 issue，请求添加对话框轮询端点。

架构

CDPSupervisor

每个 Hermes task_id 对应一个在后台守护线程中运行的 asyncio.Task。持有一个到后端 CDP 端点的持久 WebSocket 连接。维护：

对话框队列 — List[PendingDialog]，包含 {id, type, message, default_prompt, session_id, opened_at}

框架树 — Dict[frame_id, FrameInfo]，包含父子关系、URL、origin，以及是否为跨域子会话

会话映射 — Dict[session_id, SessionInfo]，供交互工具将操作路由到正确的已附加会话以执行 OOPIF 操作

近期控制台错误 — 最近 50 条的环形缓冲区（用于 PR 2 诊断）

附加时订阅：

Page.enable — javascriptDialogOpening、frameAttached、frameNavigated、frameDetached

Runtime.enable — executionContextCreated、consoleAPICalled、exceptionThrown

Target.setAutoAttach {autoAttach: true, flatten: true} — 暴露子 OOPIF target；supervisor 在每个上启用 Page+Runtime

通过快照锁实现线程安全的状态访问；工具处理器（同步）读取冻结快照，无需 await。

生命周期

启动： SupervisorRegistry.get_or_start(task_id, cdp_url) — 由 browser_navigate、Browserbase 会话创建、/browser connect 调用。幂等。

停止： 会话拆除或 /browser disconnect。取消 asyncio task，关闭 WebSocket，丢弃状态。

重新绑定： 若 CDP URL 变更（用户重新连接到新的 Chrome），停止旧 supervisor 并重新启动——绝不跨端点复用状态。

对话框策略

通过 config.yaml 中的 browser.dialog_policy 配置：

must_respond（默认）— 捕获，在 browser_snapshot 中呈现，等待显式的 browser_dialog(action=...) 调用。在 300s 安全超时后若无响应，则自动关闭并记录日志。防止有缺陷的 agent 永久挂起。

auto_dismiss — 记录并立即关闭；agent 事后通过 browser_snapshot 内的 browser_state 查看。

auto_accept — 记录并接受（适用于用户希望干净导航离开时的 beforeunload）。

策略按 task 配置；v1 不支持按对话框覆盖。

Agent 接口（PR 1）

一个新工具

browser_dialog(action, prompt_text=None, dialog_id=None)

action="accept" / "dismiss" → 响应指定的或唯一待处理的对话框（必填）

prompt_text=... → 向 prompt() 对话框提供的文本

dialog_id=... → 当多个对话框排队时用于消歧（罕见）

该工具仅用于响应。Agent 在调用前从 browser_snapshot 输出中读取待处理对话框。

`browser_snapshot` 扩展

当 supervisor 已附加时，在现有快照输出中新增三个可选字段：

{
  "pending_dialogs": [
    {"id": "d-1", "type": "alert", "message": "Hello", "opened_at": 1650000000.0}
  ],
  "recent_dialogs": [
    {"id": "d-1", "type": "alert", "message": "...", "opened_at": 1650000000.0,
     "closed_at": 1650000000.1, "closed_by": "remote"}
  ],
  "frame_tree": {
    "top": {"frame_id": "FRAME_A", "url": "https://example.com/", "origin": "https://example.com"},
    "children": [
      {"frame_id": "FRAME_B", "url": "about:srcdoc", "is_oopif": false},
      {"frame_id": "FRAME_C", "url": "https://ads.example.net/", "is_oopif": true, "session_id": "SID_C"}
    ],
    "truncated": false
  }
}

pending_dialogs：当前阻塞页面 JS 线程的对话框。Agent 必须调用 browser_dialog(action=...) 进行响应。在 Browserbase 上为空，因为其 CDP 代理会在约 10ms 内自动关闭对话框。

recent_dialogs：最近关闭的最多 20 个对话框的环形缓冲区，带有 closed_by 标签——"agent"（我们响应了）、"auto_policy"（本地 auto_dismiss/auto_accept）、"watchdog"（must_respond 超时触发）或 "remote"（浏览器/后端主动关闭，例如 Browserbase）。这是 Browserbase 上的 agent 仍能了解发生了什么的方式。

frame_tree：框架结构，包括跨域（OOPIF）子框架。上限为 30 条 + OOPIF 深度 2，以限制广告密集页面上的快照大小。当达到限制时，truncated: true 会出现；需要完整树的 agent 可使用 browser_cdp 配合 Page.getFrameTree。

以上均不新增工具 schema 接口——agent 从其已请求的快照中读取。

可用性门控

两个接口均通过 _browser_cdp_check 进行门控（supervisor 只能在 CDP 端点可达时运行）。在 Camofox / 无后端会话中，对话框工具被隐藏，快照省略新字段——不产生 schema 膨胀。

跨域 iframe 交互

在对话框检测工作的基础上，browser_cdp(frame_id=...) 通过 supervisor 已连接的 WebSocket，使用 OOPIF 的子 sessionId 路由 CDP 调用（尤其是 Runtime.evaluate）。Agent 从 browser_snapshot.frame_tree.children[] 中 is_oopif=true 的条目获取 frame_id，并将其传递给 browser_cdp。对于同源 iframe（无专用 CDP 会话），agent 改用顶层 Runtime.evaluate 中的 contentWindow/contentDocument——当 frame_id 属于非 OOPIF 时，supervisor 会返回指向该回退方案的错误。

在 Browserbase 上，这是 iframe 交互的唯一可靠路径——无状态 CDP 连接（每次 browser_cdp 调用时打开）会遭遇签名 URL 过期，而 supervisor 的长连接则保持有效会话。

Camofox（后续跟进）

计划向 jo-inc/camofox-browser 提交 issue，添加：

每个会话的 Playwright page.on('dialog', handler)

GET /tabs/:tabId/dialogs 轮询端点

POST /tabs/:tabId/dialogs/:id 用于接受/关闭

框架树内省端点

涉及文件（PR 1）

新增

tools/browser_supervisor.py — CDPSupervisor、SupervisorRegistry、PendingDialog、FrameInfo

tools/browser_dialog_tool.py — browser_dialog 工具处理器

tests/tools/test_browser_supervisor.py — 模拟 CDP WebSocket 服务器 + 生命周期/状态测试

website/docs/developer-guide/browser-supervisor.md — 本文件

修改

toolsets.py — 在 browser、hermes-acp、hermes-api-server、核心工具集中注册 browser_dialog（通过 CDP 可达性门控）

tools/browser_tool.py

browser_navigate 启动钩子：若 CDP URL 可解析，调用 SupervisorRegistry.get_or_start(task_id, cdp_url)

browser_snapshot（约第 1536 行）：将 supervisor 状态合并到返回载荷

/browser connect 处理器：以新端点重启 supervisor

_cleanup_browser_session 中的会话拆除钩子

hermes_cli/config.py — 向 DEFAULT_CONFIG 添加 browser.dialog_policy 和 browser.dialog_timeout_s

文档：website/docs/user-guide/features/browser.md、website/docs/reference/tools-reference.md、website/docs/reference/toolsets-reference.md

非目标

Camofox 的检测/交互（上游缺口；单独跟踪）

向用户实时流式传输对话框/框架事件（需要 gateway 钩子）

跨会话持久化对话框历史（仅内存）

按 iframe 配置对话框策略（agent 可通过 dialog_id 表达）

替换 browser_cdp——它作为长尾场景（cookies、viewport、网络限速）的逃生舱口继续保留

测试

单元测试使用 asyncio 模拟 CDP 服务器，该服务器实现了足够的协议子集，以覆盖所有状态转换：附加、启用、导航、对话框触发、对话框关闭、框架附加/分离、子 target 附加、会话拆除。真实后端端到端测试（Browserbase + 本地 Chromium 系浏览器）为手动执行——通过 /browser connect 连接到实时 Chromium 系浏览器，并运行上述对话框/框架测试用例。

Browser CDP Supervisor — 设计文档

问题#

后端能力矩阵（2026-04-23 实测验证）#

架构#

CDPSupervisor#

生命周期#

对话框策略#

Agent 接口（PR 1）#

一个新工具#

browser_snapshot 扩展#

可用性门控#

跨域 iframe 交互#

Camofox（后续跟进）#

涉及文件（PR 1）#

新增#

修改#

非目标#

测试#

问题