AI 自動發文：我給 AI 裝上了瀏覽器

這個周末，我終于用低成本干成了一件想了六年的事：讓 AI 替我把文章自動發到五個平臺。知乎回答、微博、頭條號、百家號、公眾號，全程我就在旁邊說要求，完全沒動手。這篇把技術實現拆開說說，希望能幫大家少走我踩過的所有坑。

瀏覽器遙控器 + AI大腦

要自動化發文章，繞不開一件事：你得讓程序能操作一個真實的瀏覽器。我選的是 CDP（Chrome DevTools Protocol）——Chrome 原生調試協議，通過 WebSocket 直連，能控制導航、點擊、輸入、執行 JS、截圖，幾乎瀏覽器能干的事它都能干。

我把它包成了一個 REST API 服務（qwen 幫我用 Go 寫的，取了易這個字，叫 easybrowser），暴露 52 個 API 操作。命令長這樣：

# 打開知乎curl -X POST http://127.0.0.1:58081/api/tool/browser_navigate -d '{"url":"https://www.zhihu.com"}'# 看頁面長什么樣（返回帶 ref 的可訪問性樹）curl -X POST http://127.0.0.1:58081/api/tool/browser_snapshot_ax -d '{"mode":"compact"}'# 點一個按鈕（ref 來自快照）curl -X POST http://127.0.0.1:58081/api/tool/browser_click -d '{"ref":"e12"}'

按用途分，這 52 個操作大致是六類：

• 感知：看頁面長什么樣——AX 樹快照（帶穩定 ref）、DOM 快照、可見元素快照、截圖、讀元素文本和屬性、取 URL 和標題、判斷元素可見/可用、數一數有幾個匹配元素
• 點操作：點擊、雙擊、填輸入框、按鍵（含 Ctrl+A 這種組合鍵）、選下拉框、勾復選框、滾動、懸停、拖拽、上傳文件
• 坐標級兜底：ref 拿不到時按坐標干活——單擊、雙擊、移動鼠標、滾動、拖拽路徑、聚焦輸入
• JS 直連：直接執行任意 JavaScript、用 JS 點擊/填表、調底層 CDP 接口
• 導航與 Tab：前進、后退、刷新、開新標簽頁、列標簽、切換、收養、關閉
• 等待與旁路：等元素出現、等 URL 變化、等固定時長、讀剪貼板、取控制臺日志、下載媒體文件

一共 52 個，基本覆蓋了我在瀏覽器里手動能干的所有事。我配的這套 api 不是抓包來的，是照著人類操作瀏覽器的習慣，參考openai的browseruse，個性化拆出來的。這是服務真實跑起來的接口列表：

AI 大腦負責看快照、決定點哪、填什么。它不用直接碰瀏覽器，只調用這個 REST API。這么一層拆開的好處是：換個 AI，底座不用動，一些純程序實現的 RPA 工作不用動，而且可以復用我真實的登錄狀態，不用費勁繞開驗證碼。

關鍵一：復用真實登錄態，規避反爬

這是我整個方案的地基，也決定了為什么不用 Selenium 和 Playwright。Selenium 起的是全新瀏覽器，沒的登錄態，過不了驗證碼，過不了風控。

我的做法：Chrome 以 啟動，跑在真實顯示器上，我在里面正常登錄一遍，之后所有平臺都「已登錄」。CDP 直連這個 Chrome，平臺風控看你就是看真人——指紋、Cookie、UA、行為全部一致。知乎那種惡心至極的反爬，對我這條路沒啥效果。

--remote-debugging-port=9222

關鍵二：AI 怎么看頁面、點按鈕

瀏覽器操作最難的，不是執行點擊，是告訴 AI 該點哪個。我的方案是三層遞進：

1. AX 樹快照（主路徑）：把頁面轉成帶穩定 ref 的可訪問性樹，。AI 直接引用 ref 點擊，不依賴脆弱的 CSS 選擇器
2. e1、e2、e3…
3. DOM 快照兜底：AX 樹覆蓋不到的復雜頁面，退到 DOM 行文本
4. 坐標點擊：ref 都拿不到時，直接用坐標點

為了防「AI 反復截圖同一頁卡死」，還加了個硬切換：連續兩次快照結構沒變化，強制切到 DOM 路徑。

關鍵三：富文本編輯器怎么灌內容（全案最難）

知乎、公眾號的編輯器是 Draft.js 這類 React 富文本組件，普通的模擬鍵盤輸入根本灌不進去。格式全亂，圖片粘不進去。我踩出來的正確姿勢是「剪貼板橋接」：

1. Markdown 轉成 HTML，有個細節：純圖片段落要解包成 ，否則圖片上下會多出空行

1. 用 把 HTML 塞進系統剪貼板，指定 MIME 類型 （DISPLAY 指向真實顯示器）
2. xclip
3. text/html
4. 模擬瀏覽器級全選、粘貼——必須用 CDP 的 的 類型。用普通的 不會觸發瀏覽器級快捷鍵，Ctrl+A、Ctrl+V 全部失靈
5. Input.dispatchKeyEvent
6. rawKeyDown
7. keyDown
8. Draft.js 的 自動把剪貼板 HTML 渲染成富文本，標題、加粗、圖片原樣保留
9. convertFromHTML

就這么幾個細節，我讓 DS flash 調了兩個小時。如果早知道 和 的區別，就省掉一半調試時間。

rawKeyDown

keyDown

關鍵四：各平臺的坑（踩坑實錄）

知乎：專欄 API 用瀏覽器 fetch 跨域調用，被 CORS 攔死（），但是專欄沒有意義，沒有流量。我的正確路線是「回答模式」——在真實瀏覽器里搜索到相關的問題，選擇熱度最高最匹配的問題，然后 AI 打開問題頁，粘貼 HTML，點發布。

Failed to fetch

微博：文章編輯器是 SPA，用 fetch 抓 HTML 拿不到用戶信息——要直接用 JS 從頁面 DOM 里提取 uid。另一個坑：草稿保存接口只收 ，發 JSON 會返回「參數錯誤」。就這一個格式問題，能讓整篇內容存不進草稿箱。

form-urlencoded

頭條號 / 百家號：有官方內容發布接口，圖片走各自的上傳通道，直接提交審核。這倆是最省心的。

微博的普通動態：長文沒人點開，把文章用 PIL 渲染成排版長圖（1080px，Noto CJK，章節切分），先發一條全文微博，再逐章發帶精華和章節圖的引用微博，間隔 15 分鐘。這個流程我從 2020 年 2 月就在想，那時候還在用各種 RPA 工具，全都實現不了，這次終于如愿了。

LLM 的角色：不是寫代碼，是當腦子

這套系統里 LLM 不寫代碼，它做四件事：從文章提煉搜索關鍵詞、從候選問題里匹配最相關的、給全文和每個章節寫摘要、看頁面快照決定下一步點哪。

它還有個繞不開的特性：偶發返回空響應。我測了五次，兩次返回空。解法是重試——所有 LLM 調用統一加三到五次重試，縮輸入再試。

這里多說一句成本。開發這種類似RPA的 agent 任務是個燒 token 大戶：每一步 AI 都要讀整頁快照，調試五個平臺，燒了150萬 tokens。另外執行中還是需要AI幫忙看著點，也不是能無腦靠程序執行的。

所以AI的選型就一條標準：聰明到能穩定執行，便宜到敢天天跑。我現在的主力是 DeepSeek V4 Flash（輸入百萬 token 一塊錢）和 Qwen 3.8。貴一百倍的模型，同樣的活，我的錢包先撐不住了。

六年愿望的成功

知乎回答也已經發出去了，匹配的是熱度最高、跟文章最相關的問題：

頭條號、百家號的內容管理里，文章都在「已發布」列表里躺著：

微博主頁上，8 條圖文序列已經掛出來了，先全文、后逐章引用：

發布追蹤庫是 SQLite，每次發布自動記一條，cron 每六小時刷閱讀量：

結尾：技術價值 vs 商業價值

這套東西對我來說最大的價值不是省那四十五分鐘，是第一次用不到 20 塊錢的 API 成本，實現了想了好幾年，而且幾百塊一年 SaaS 都做不到的體驗。我只負責登錄和下指示，剩下全靠AI干活。

瀏覽器自動化這個方向，過去被 Playwright、Selenium 和各類 RPA 工具占據了，但它們都解決不了一個根本問題：沒有登錄態，而且對大模型不友好，我前幾年玩selenium也搞不定很多想法啊。

而 CDP 直連真實瀏覽器，把「登錄」這個最難的問題，用最簡單的方式繞了過去。然后讓AI能夠用執行命令行的方式操作瀏覽器，剩下的，就可以交給足夠聰明、足夠便宜的模型了。AI是真的會幫你探測到后端接口，然后直接調接口完成很多重復的活兒了。

技術棧清單：Go（CDP 服務）· Python（發布腳本）· PIL（長圖渲染）· SQLite（追蹤）· cron（定時）· DeepSeek V4 Flash / Qwen 3.8（AI 大腦）。如果你也有一堆重復的網頁操作想甩給 AI，這條路，值得走。