用 Cherry Studio 与 Playwright MCP 实现智能浏览器自动化

Playwright MCP（Model Context Protocol）是一种融合了 Playwright 浏览器控制能力与大语言模型（LLM）指令解析的协议。它允许开发者通过自然语言指令操控浏览器，实现自动化测试、数据抓取、表单填写等任务。本文将详解其部署与使用流程。

---

一、Playwright MCP 的核心价值

1. 结构化交互
   LLM 通过 MCP 将自然语言（如“搜索 Playwright 教程”）转换为浏览器操作指令（点击、输入、导航等），无需依赖视觉模型或截图，响应更快且确定性高。
2. 多场景支持
   • 自动化测试：生成 AI 驱动的测试脚本
   • 数据提取：抓取动态渲染的网页内容
   • 智能代理：自动预订、比价、填表
3. 工程化优势
   支持会话隔离、错误恢复、资源池化管理，适合高并发场景。

---

二、部署指南：跨平台实践

环境准备

• Node.js v16+ 或 Python 3.8+
• 安装 Playwright 核心库：

  # Node.js 环境
  npm install playwright
  npx playwright install  # 安装浏览器驱动# Python 环境
  pip install playwright
  python -m playwright install
  

安装 Playwright MCP 服务器并启动

npx @playwright/mcp@latest --port 8931

配置 MCP 服务

在 Cherry Studio 或 Claude Desktop 中添加配置（示例为 mcp.json）：

{"mcpServers": {"playwright": {"url": "http://localhost:8931/sse"}}
}

Cherry Studio配置如图:

解决 Windows 环境问题

若在 Windows 原生环境运行失败（常见于未编译 TypeScript 项目）：

1. 进入项目目录执行构建：

   npm install
   npm run build  # 编译 TS 到 JS
   

2. 或改用 WSL 环境运行，并通过 /mnt 目录交换文件：

   cp /tmp/report.pdf /mnt/d/WindowsPath/  # 从 WSL 导出文件到 Windows
   

---

三、使用教程：从基础到高阶

基础工作流

// 示例：同步模式打开百度并搜索
const { chromium } = require('playwright');(async () => {const browser = await chromium.launch({ headless: false })