Bap

浏览器代理协议（BAP）是一个为AI代理与网页浏览器交互设计的开放标准，提供CLI和MCP两种接口，支持语义选择器、复合操作和结构化数据提取等功能。

浏览器自动化开发者工具 #浏览器自动化 #AI代理 #网页交互 #MCP工具 .TypeScript

评分 : 2.5分

下载量 : 5.5K

更新时间 : 2026-03-12

打开站点

什么是BAP MCP服务器？

BAP MCP服务器是一个基于Model Context Protocol的工具，让AI助手（如Claude、Codex等）能够直接控制网页浏览器。它提供了23种浏览器操作工具，包括导航网页、点击元素、填写表单、截图、提取数据等，让AI助手能够像人类一样浏览和操作网页。

如何使用BAP MCP服务器？

安装BAP MCP服务器后，AI助手会自动获得浏览器控制能力。你可以通过自然语言告诉助手要做什么，比如'打开Hacker News并总结前5个新闻'，助手就会使用BAP工具自动完成这些操作。

适用场景

BAP适用于需要自动化网页操作的场景：数据收集、网页测试、自动化任务、内容分析、价格监控、新闻聚合、表单填写、网页截图等。

主要功能

复合操作

将多个步骤（如导航+观察+点击）合并为一个命令执行，比逐步操作节省40倍令牌

融合操作

将导航+观察、操作+观察等组合成单个服务器调用，减少50-85%的往返通信

语义选择器

通过元素用途（如'role:button:"提交"'）而非位置来定位元素，即使网页重新设计也能正常工作

结构化提取

使用JSON Schema从任何网页提取结构化数据，确保数据格式正确

无障碍优先设计

基于无障碍树检查构建，专为AI理解设计，提供清晰的页面结构信息

元素引用

提供稳定的元素引用（如@e1、e15），在多次观察间保持一致性

截图标注

为视觉模型提供带编号标记的截图覆盖层，便于AI识别页面元素

优势

无需API密钥，完全本地运行，保护隐私

支持多种浏览器：Chrome、Firefox、WebKit、Edge

提供23种工具覆盖常见浏览器操作需求

语义选择器使操作更稳定，不易受页面布局变化影响

复合操作大幅减少AI助手的思考步骤和令牌消耗

支持主流AI平台：Claude、Codex、Gemini、Cursor等

局限性

需要本地安装Node.js和npm/npx

首次运行需要下载浏览器（约100-300MB）

复杂网页可能需要手动调整选择器

JavaScript密集型页面可能需要额外等待时间

需要AI助手支持MCP协议才能使用完整功能

如何使用

安装BAP MCP服务器

通过npm全局安装或使用npx直接运行

配置AI助手

根据你使用的AI助手平台，将BAP MCP服务器添加到配置中

开始使用

重启AI助手，现在你可以通过自然语言控制浏览器了

使用案例

新闻聚合与总结

自动访问新闻网站，收集头条新闻并生成摘要

自动化表单填写

自动登录网站或填写在线表单

价格监控与比较

从电商网站提取产品价格信息

网页截图与存档

自动截图网页内容用于存档或分享

常见问题

BAP需要网络连接吗？

支持哪些浏览器？

如何选择页面上的特定元素？

BAP能处理需要登录的网站吗？

安装需要多少磁盘空间？

BAP安全吗？会保存我的浏览数据吗？

相关资源

GitHub仓库

BAP的源代码、问题跟踪和贡献指南

npm包页面

MCP服务器的npm包信息和版本历史

CLI文档

命令行接口的详细使用说明和示例

MCP协议文档

MCP服务器的工具参考和配置说明

Python SDK

Python版本的BAP客户端SDK

navigate

导航浏览器到指定URL。用于打开网页。导航后返回页面标题和URL。

参数

url : string*

描述

要导航到的URL（必须包含协议，例如https://）

参数

waitUntil : string*

描述

何时认为导航完成（默认：load）

参数

observe : boolean*

描述

导航后融合观察（节省往返时间）。返回交互元素和导航结果

参数

observeMaxElements : number*

描述

融合观察中返回的最大交互元素数（默认：50）

click

点击页面上的元素。使用语义选择器如'role:button:Submit'或'text:Sign in'以提高可靠性。

参数

selector : string*

描述

元素选择器。格式：'role:button:Submit', 'text:Click here', 'label:Email', 'css:.btn', '#id'

参数

clickCount : number*

描述

点击次数（默认：1，使用2表示双击）

type

在输入字段中输入文本。首先点击元素，然后逐个字符输入文本。

参数

selector : string*

描述

输入字段的元素选择器。例如：'role:textbox:Email' 或 'label:Password'

参数

text : string*

描述

要输入到字段中的文本

参数

delay : number*

描述

按键之间的延迟（毫秒，默认：0）

fill

用文本填充输入字段（首先清除现有内容）。对于表单填充比type更快。

参数

selector : string*

描述

输入字段的元素选择器。例如：'role:textbox:Search' 或 'label:Username'

参数

value : string*

描述

要填充到字段中的值

press

按下键盘键。用于Enter、Tab、Escape或键盘快捷键如Ctrl+A。

参数

key : string*

描述

要按下的键。例如：'Enter', 'Tab', 'Escape', 'Control+a', 'Meta+c'

参数

selector : string*

描述

可选：按键前要聚焦的元素

select

从下拉/选择元素中选择选项。

参数

selector : string*

描述

选择/下拉元素的元素选择器。例如：'role:combobox:Country'

参数

value : string*

描述

要选择的选项的值或标签

scroll

滚动页面或特定元素。

参数

direction : string*

描述

滚动方向（默认：down）

参数

amount : number*

描述

滚动像素数（默认：500）

参数

selector : string*

描述

可选：要在其中滚动的元素（如果未指定则滚动页面视口）

hover

悬停在元素上。用于触发悬停菜单或工具提示。

参数

selector : string*

描述

要悬停的元素选择器。例如：'role:menuitem:Settings'

screenshot

截取当前页面的屏幕截图。返回base64格式的图像。用于视觉验证。

参数

fullPage : boolean*

描述

捕获包括可滚动内容的完整页面（默认：false）

参数

format : string*

描述

图像格式（默认：jpeg）。对于典型页面，JPEG比PNG小约60%

参数

quality : number*

描述

JPEG质量0-100（默认：80）。PNG忽略此参数

accessibility

获取页面的无障碍树。返回结构化表示，非常适合理解页面布局和查找元素。推荐：在交互元素之前使用此命令。

参数

interestingOnly : boolean*

描述

仅返回交互/可操作元素（默认：true）

aria_snapshot

获取页面无障碍树的令牌高效YAML快照。比完整无障碍树少约80%的令牌。最适合LLM上下文。

参数

selector : string*

描述

可选：仅获取特定元素子树的快照

content

以文本或markdown格式获取页面内容。用于阅读文章内容或提取文本。

参数

format : string*

描述

输出格式（默认：text）

element

查询特定元素的属性。检查元素是否存在、是否可见、启用、选中等。

参数

selector : string*

描述

要查询的元素选择器

参数

properties : array*

描述

要查询的属性（默认：['visible', 'enabled']）

pages

列出所有打开的页面/标签页。返回页面ID和URL。

activate_page

通过ID切换到不同的页面/标签页。

参数

pageId : string*

描述

要激活的页面ID（来自pages命令）

close_page

关闭当前页面/标签页。

go_back

在浏览器历史记录中后退导航。

go_forward

在浏览器历史记录中前进导航。

reload

重新加载当前页面。

act

在单个调用中执行一系列浏览器操作。适用于多步骤流程，如登录、表单提交或导航序列。每个步骤可以有条件和错误处理。比单独调用操作更高效。

参数

steps : array*

描述

要按顺序执行的操作步骤数组

参数

stopOnFirstError : boolean*

描述

如果任何步骤失败则停止执行（默认：true）

参数

postObserve : boolean*

描述

融合执行后观察到此调用中（节省往返时间）。返回交互元素和act结果

参数

observeMaxElements : number*

描述

融合后观察中返回的最大交互元素数（默认：50）

observe

获取当前页面的AI优化观察。返回带有预计算选择器的交互元素，便于确定可能的操作。支持稳定元素引用和带注释的屏幕截图。推荐：在复杂交互之前使用此命令以了解页面。

参数

includeScreenshot : boolean*

描述

包含页面屏幕截图

参数

includeAccessibility : boolean*

描述

包含完整的无障碍树

参数

maxElements : number*

描述

返回的最大交互元素数（默认：50）

参数

filterRoles : array*

描述

过滤到特定的ARIA角色（例如：['button', 'link', 'textbox']）

参数

annotateScreenshot : boolean*

描述

用编号元素标记注释屏幕截图（Set-of-Marks风格）。用于视觉元素识别

参数

stableRefs : boolean*

描述

使用跨观察保持稳定的元素引用（默认：true）

参数

incremental : boolean*

描述

仅返回自上次观察以来的更改（添加、更新、删除的元素）。用于在操作后监控页面状态

参数

responseTier : string*

描述

响应压缩级别：'full'（默认，所有数据），'interactive'（仅元素+元数据），'minimal'（仅引用+名称）

extract

从当前页面提取结构化数据。使用CSS启发式方法查找与模式匹配的列表、表格和标记数据。最适合标准HTML模式（ul/ol、表格、卡片）。对于复杂页面，请使用content命令。

参数

instruction : string*

描述

要提取内容的描述（用于上下文）

参数

schema : object*

描述

定义要提取数据结构的JSON模式

参数

mode : string*

描述

提取模式：单个项目、项目列表或表格数据

参数

selector : string*

描述

可选选择器以限制提取范围

Duckduckgo MCP Server

已认证

DuckDuckGo搜索MCP服务器，为Claude等LLM提供网页搜索和内容抓取服务

Firecrawl MCP Server是一个集成Firecrawl网页抓取能力的模型上下文协议服务器，提供丰富的网页抓取、搜索和内容提取功能。

Framelink Figma MCP Server是一个为AI编程工具（如Cursor）提供Figma设计数据访问的服务器，通过简化Figma API响应，帮助AI更准确地实现设计到代码的一键转换。

百度地图MCP Server是国内首个兼容MCP协议的地图服务，提供地理编码、路线规划等10个标准化API接口，支持Python和Typescript快速接入，赋能智能体实现地图相关功能。

Exa MCP Server是一个为AI助手（如Claude）提供网络搜索功能的服务器，通过Exa AI搜索API实现实时、安全的网络信息获取。

Context7 MCP是一个为AI编程助手提供实时、版本特定文档和代码示例的服务，通过Model Context Protocol直接集成到提示中，解决LLM使用过时信息的问题。

MiniMax Model Context Protocol (MCP) 是一个官方服务器，支持与强大的文本转语音、视频/图像生成API交互，适用于多种客户端工具如Claude Desktop、Cursor等。

Python

63.6K

4.8分

Edgeone Pages MCP Server

EdgeOne Pages MCP是一个通过MCP协议快速部署HTML内容到EdgeOne Pages并获取公开URL的服务

智启未来，您的人工智能解决方案智库

Bap

概述

安装

工具列表

内容详情

替代品

什么是BAP MCP服务器？

如何使用BAP MCP服务器？

适用场景

主要功能

如何使用

使用案例

常见问题

相关资源

安装

🚀 Changesets

🚀 快速开始

📚 详细文档

替代品