首个生产级轻量 MCP Server 落地：用结构化可访问性数据，把浏览器自动化拉回正轨

AI 自动填表、抓竞品价格、跑电商比价脚本——这些需求很真实，但落地时总卡在反爬封 IP、JS 渲染失败、XPath 一改就崩。问题不在 LLM 不够强，而在浏览器自动化太“野”：靠截图 OCR 猜元素、硬写 CSS 选择器、反复重试加人工兜底。运维成本很快压过收益。

我们在 yitb.com 上线了首个生产级轻量 MCP Server（v0.3.1），已在 3 家 AI SaaS 团队稳定运行超 6 周，日均处理 27 万次页面交互，平均延迟 <480ms，内存常驻仅 92MB。

核心不是让模型更“聪明”，而是让自动化更“懂网页”。它不依赖截图或脆弱的 DOM 路径，而是通过 Puppeteer 原生 AXTree（可访问性树）提取结构化语义数据：按钮带 aria-label、输入框有 name 和 placeholder、表格含 role="grid" 与 rowindex——全部转为 JSON Schema 可校验的字段。例如：

// /mcp/browser/interact 返回示例（已脱敏）
{
  "elements": [
    {
      "id": "btn-checkout-1",
      "role": "button",
      "name": "立即结算（含优惠券）",
      "state": { "disabled": false, "focused": false },
      "boundingBox": { "x": 824, "y": 1210, "width": 240, "height": 52 }
    }
  ],
  "url": "https://shop.example.com/cart",
  "title": "购物车 - 优惠券已生效"
}

LLM 不再“猜”按钮在哪，而是直接按语义指令操作：
→ “点击‘立即结算（含优惠券）’按钮”
→ “在‘收货人手机号’输入框填入 138**1234”
→ “等待‘订单提交成功’Toast 出现后返回订单号”

视觉模式（Vision Mode）已商用。启用后，Server 自动截取关键区域（非全屏！），叠加可访问性坐标生成带热区标注的 PNG，传给 Claude-3.5/Vision 或本地 Qwen2-VL。实测在淘宝商品页价格对比场景中，视觉+语义联合识别准确率从 81% 提升至 99.2%，误点广告位归零。

这不是玩具。它是 MCP/A2A 协议生态的关键基础设施：
✅ 标准 MCP v0.5 接口，mcp-server-puppeteer npm 包一行接入；
✅ 原生支持 LangChain、LlamaIndex、OpenClaw Agent 框架的 ToolNode 调用；
✅ Docker 镜像开箱即用（docker run -p 3000:3000 yitb/mcp-browser:0.3.1）；
✅ 支持集群部署 + 请求队列限流（Redis backend），避免浏览器实例雪崩。

已有团队用它跑通真实闭环：某跨境选品 Agent 每天自动扫描 12 个平台的 SKU 价格、库存、运费模板变更，识别到降价即触发飞书通知 + 自动下单测试单，月均节省人力工时 168h，ROI 测算为 1:5.3（工具投入 ¥2,800/月，采购议价收益 ¥14,900/月）。

别再用 Selenium + OCR 拼凑自动化了。浏览器自动化不该是 LLM 的负担，而应是它的“手眼协同系统”。

下一步行动：

1. 访问 yitb.com/mcp 下载 mcp-browser Docker 镜像；
2. 运行 curl http://localhost:3000/mcp/server/health 确认服务就绪；
3. 复制GitHub 示例中的 3 行代码，接入你的 LangChain Agent——5 分钟内跑通第一个语义化点击。

真正的 AI 自动化，从放弃截图开始。