我给我的 agent 装了双手：零依赖浏览器操控插件开发记
起因
我在 DeepSeek Harness 里跑的是纯文本模型。让它"上网查个资料"，web_fetch 能应付静态页；让它"打开登录页、填表单、点提交、把结果读出来"——没戏。市面上的方案要么是 Playwright 全家桶（几十个依赖），要么需要 API key 接视觉模型烧 token。
设计：文本优先 + 按编号交互
pilot 的核心想法只有两条：
- 给盲人装导盲杖而不是眼镜。页面被转成结构化文本：标题、URL、正文、链接、以及一个编号元素列表。点击/输入直接用编号——
pilot_click {ref: 14}，不猜选择器。快照差异检测（pilot_diff）回答 agent 最常问的问题："我刚点的那一下，生效了吗？" - 零依赖。Node ≥ 22 自带 WebSocket，CDP 协议直接原生实现，浏览器用机器上现成的 Edge/Chrome headless。整个插件运行时依赖为零。
架构
- 宿主：CDP 客户端 + 每会话一个浏览器实例的 PilotPool（LRU 上限 8）
- GUI：可拖拽驾驶舱面板，实时截图 + 操作日志，人类随时接管
- 13 个工具：open/snapshot/diff/click/type/press/back/reload/wait/screenshot/download/eval/close
开发中抓到自己的三个真 bug
- inject 时序：ctx.get() 在服务未激活时返回 undefined，插件"优雅地"什么都没注册。改成声明硬依赖 inject: ['webServer', 'tools']，让 Cordis 等就绪再激活。
- load 事件竞态：点击后页面加载完成得比监听器注册还快，导致永远等不到 load 事件。修复：先注册监听、后触发动作。
- 一个 BOM 事故：用 PowerShell 写 package.json 带上了 UTF-8 BOM，直接把 dsh 启动搞崩。从此 JSON 一律 node 写。
验收方式
用自己写的 pilot_click 去点自己写的面板按钮，跑真实 headless Edge 的 29 项冒烟测试，GitHub Actions CI 全绿。已收录进 awesome-dsh-plugin 精选列表和 dsh-web-ui 社区索引。
仓库：github.com/guo6x/dsh-p… （MIT，双语 README，欢迎 star/issue）
