AI 自动发文：我给 AI 装上了浏览器

这个周末，我终于用低成本干成了一件想了六年的事：让 AI 替我把文章自动发到五个平台。知乎回答、微博、头条号、百家号、公众号，全程我就在旁边说要求，完全没动手。这篇把技术实现拆开说说，希望能帮大家少走我踩过的所有坑。

浏览器遥控器 + AI大脑

要自动化发文章，绕不开一件事：你得让程序能操作一个真实的浏览器。我选的是 CDP（Chrome DevTools Protocol）——Chrome 原生调试协议，通过 WebSocket 直连，能控制导航、点击、输入、执行 JS、截图，几乎浏览器能干的事它都能干。

我把它包成了一个 REST API 服务（qwen 帮我用 Go 写的，取了易这个字，叫 easybrowser），暴露 52 个 API 操作。命令长这样：

# 打开知乎curl -X POST http://127.0.0.1:58081/api/tool/browser_navigate -d '{"url":"https://www.zhihu.com"}'# 看页面长什么样（返回带 ref 的可访问性树）curl -X POST http://127.0.0.1:58081/api/tool/browser_snapshot_ax -d '{"mode":"compact"}'# 点一个按钮（ref 来自快照）curl -X POST http://127.0.0.1:58081/api/tool/browser_click -d '{"ref":"e12"}'

按用途分，这 52 个操作大致是六类：

• 感知：看页面长什么样——AX 树快照（带稳定 ref）、DOM 快照、可见元素快照、截图、读元素文本和属性、取 URL 和标题、判断元素可见/可用、数一数有几个匹配元素
• 点操作：点击、双击、填输入框、按键（含 Ctrl+A 这种组合键）、选下拉框、勾复选框、滚动、悬停、拖拽、上传文件
• 坐标级兜底：ref 拿不到时按坐标干活——单击、双击、移动鼠标、滚动、拖拽路径、聚焦输入
• JS 直连：直接执行任意 JavaScript、用 JS 点击/填表、调底层 CDP 接口
• 导航与 Tab：前进、后退、刷新、开新标签页、列标签、切换、收养、关闭
• 等待与旁路：等元素出现、等 URL 变化、等固定时长、读剪贴板、取控制台日志、下载媒体文件

一共 52 个，基本覆盖了我在浏览器里手动能干的所有事。我配的这套 api 不是抓包来的，是照着人类操作浏览器的习惯，参考openai的browseruse，个性化拆出来的。这是服务真实跑起来的接口列表：

AI 大脑负责看快照、决定点哪、填什么。它不用直接碰浏览器，只调用这个 REST API。这么一层拆开的好处是：换个 AI，底座不用动，一些纯程序实现的 RPA 工作不用动，而且可以复用我真实的登录状态，不用费劲绕开验证码。

关键一：复用真实登录态，规避反爬

这是我整个方案的地基，也决定了为什么不用 Selenium 和 Playwright。Selenium 起的是全新浏览器，没的登录态，过不了验证码，过不了风控。

我的做法：Chrome 以 启动，跑在真实显示器上，我在里面正常登录一遍，之后所有平台都「已登录」。CDP 直连这个 Chrome，平台风控看你就是看真人——指纹、Cookie、UA、行为全部一致。知乎那种恶心至极的反爬，对我这条路没啥效果。

--remote-debugging-port=9222

关键二：AI 怎么看页面、点按钮

浏览器操作最难的，不是执行点击，是告诉 AI 该点哪个。我的方案是三层递进：

1. AX 树快照（主路径）：把页面转成带稳定 ref 的可访问性树，。AI 直接引用 ref 点击，不依赖脆弱的 CSS 选择器
2. e1、e2、e3…
3. DOM 快照兜底：AX 树覆盖不到的复杂页面，退到 DOM 行文本
4. 坐标点击：ref 都拿不到时，直接用坐标点

为了防「AI 反复截图同一页卡死」，还加了个硬切换：连续两次快照结构没变化，强制切到 DOM 路径。

关键三：富文本编辑器怎么灌内容（全案最难）

知乎、公众号的编辑器是 Draft.js 这类 React 富文本组件，普通的模拟键盘输入根本灌不进去。格式全乱，图片粘不进去。我踩出来的正确姿势是「剪贴板桥接」：

1. Markdown 转成 HTML，有个细节：纯图片段落要解包成 ，否则图片上下会多出空行

1. 用 把 HTML 塞进系统剪贴板，指定 MIME 类型 （DISPLAY 指向真实显示器）
2. xclip
3. text/html
4. 模拟浏览器级全选、粘贴——必须用 CDP 的 的 类型。用普通的 不会触发浏览器级快捷键，Ctrl+A、Ctrl+V 全部失灵
5. Input.dispatchKeyEvent
6. rawKeyDown
7. keyDown
8. Draft.js 的 自动把剪贴板 HTML 渲染成富文本，标题、加粗、图片原样保留
9. convertFromHTML

就这么几个细节，我让 DS flash 调了两个小时。如果早知道 和 的区别，就省掉一半调试时间。

rawKeyDown

keyDown

关键四：各平台的坑（踩坑实录）

知乎：专栏 API 用浏览器 fetch 跨域调用，被 CORS 拦死（），但是专栏没有意义，没有流量。我的正确路线是「回答模式」——在真实浏览器里搜索到相关的问题，选择热度最高最匹配的问题，然后 AI 打开问题页，粘贴 HTML，点发布。

Failed to fetch

微博：文章编辑器是 SPA，用 fetch 抓 HTML 拿不到用户信息——要直接用 JS 从页面 DOM 里提取 uid。另一个坑：草稿保存接口只收 ，发 JSON 会返回「参数错误」。就这一个格式问题，能让整篇内容存不进草稿箱。

form-urlencoded

头条号 / 百家号：有官方内容发布接口，图片走各自的上传通道，直接提交审核。这俩是最省心的。

微博的普通动态：长文没人点开，把文章用 PIL 渲染成排版长图（1080px，Noto CJK，章节切分），先发一条全文微博，再逐章发带精华和章节图的引用微博，间隔 15 分钟。这个流程我从 2020 年 2 月就在想，那时候还在用各种 RPA 工具，全都实现不了，这次终于如愿了。

LLM 的角色：不是写代码，是当脑子

这套系统里 LLM 不写代码，它做四件事：从文章提炼搜索关键词、从候选问题里匹配最相关的、给全文和每个章节写摘要、看页面快照决定下一步点哪。

它还有个绕不开的特性：偶发返回空响应。我测了五次，两次返回空。解法是重试——所有 LLM 调用统一加三到五次重试，缩输入再试。

这里多说一句成本。开发这种类似RPA的 agent 任务是个烧 token 大户：每一步 AI 都要读整页快照，调试五个平台，烧了150万 tokens。另外执行中还是需要AI帮忙看着点，也不是能无脑靠程序执行的。

所以AI的选型就一条标准：聪明到能稳定执行，便宜到敢天天跑。我现在的主力是 DeepSeek V4 Flash（输入百万 token 一块钱）和 Qwen 3.8。贵一百倍的模型，同样的活，我的钱包先撑不住了。

六年愿望的成功

知乎回答也已经发出去了，匹配的是热度最高、跟文章最相关的问题：

头条号、百家号的内容管理里，文章都在「已发布」列表里躺着：

微博主页上，8 条图文序列已经挂出来了，先全文、后逐章引用：

发布追踪库是 SQLite，每次发布自动记一条，cron 每六小时刷阅读量：

结尾：技术价值 vs 商业价值

这套东西对我来说最大的价值不是省那四十五分钟，是第一次用不到 20 块钱的 API 成本，实现了想了好几年，而且几百块一年 SaaS 都做不到的体验。我只负责登录和下指示，剩下全靠AI干活。

浏览器自动化这个方向，过去被 Playwright、Selenium 和各类 RPA 工具占据了，但它们都解决不了一个根本问题：没有登录态，而且对大模型不友好，我前几年玩selenium也搞不定很多想法啊。

而 CDP 直连真实浏览器，把「登录」这个最难的问题，用最简单的方式绕了过去。然后让AI能够用执行命令行的方式操作浏览器，剩下的，就可以交给足够聪明、足够便宜的模型了。AI是真的会帮你探测到后端接口，然后直接调接口完成很多重复的活儿了。

技术栈清单：Go（CDP 服务）· Python（发布脚本）· PIL（长图渲染）· SQLite（追踪）· cron（定时）· DeepSeek V4 Flash / Qwen 3.8（AI 大脑）。如果你也有一堆重复的网页操作想甩给 AI，这条路，值得走。