Chrome CDP + Playwright 驱动的 Gemini Web 自动化交互系统。
DeepSeek 擅长理解意图、拆解任务、规划步骤，但在专业领域（如计算化学、材料科学） 的知识深度不如 Gemini Pro。Gemini 擅长长链条推理和深度思考，但缺乏主动规划和执行能力。
AgentChat 将两者桥接：DeepSeek（或 Claude Code）作为 Planner 制定策略 → 通过 CDP 将组合好的 prompt 注入 Gemini Web → 取回 Gemini 的思考结果。 这是 "思考者 + 执行者"的协同模式，单独使用任何一个都无法达到。
DeepSeek 纯文本模型缺乏图像理解、网页浏览、复杂 UI 操作等多模态能力。 AgentChat 通过 Chrome CDP 让任何 LLM 都能：
- 📸 截图分析 —
Page.captureScreenshot→ base64 → 传给 Gemini 做 OCR/图表分析 - 🌐 网页浏览 — 让 Gemini 阅读在线文档、论文、代码仓库
- 🖱️ UI 操作 — 点击、输入、文件上传等完整的浏览器交互
- 📄 文件处理 — CSV 图表、分子结构图、PDF 截图 → Gemini 解读
网页版 Gemini 对用户免费，生成的思考 token 不占用任何 API 费用。 而 DeepSeek 生成问题的 token 消耗极低（通常仅几十到几百 token 用于 prompt 拼接和规划）。
对比传统全 API 方案：
- API 方案：每轮对话的输入 + 输出 token 全部计费，长链条推理成本指数级增长
- AgentChat 方案：DeepSeek 只消耗少量规划 token → Gemini Web 免费生成 → 近乎零成本的深度推理
这就是"免费大脑"模式：用最便宜的模型做规划，用最强大的免费 Web 端做推理。
这个架构的本质是 "用 CDP 桥接任何 LLM 到任何 Web 应用"。同样的思路可以：
- 接入 ChatGPT Web（同样的 CDP 输入/读取模式）
- 接入 Claude Web（claude.ai 的 Artifact 和 Project 功能）
- 批量操作 Google Scholar、PubMed、arXiv 等学术网站
- 自动化 ACS、RSC 等期刊的文献检索和下载
- 构建多模型协作工作流（Gemini 负责推理 → Claude 负责写代码 → DeepSeek 负责审阅）
AgentChat 提供了最难的第一个环节 — 在中国网络环境下可靠地驱动 Chrome + Gemini Web。 其余 Web 应用的接入只需修改 DOM 选择器即可复用全部基础设施。
Gemini Web 需要 Google 账号才能使用 Pro Extended Thinking。免登录模式仅支持基础 Flash 模型。
Chrome 的登录状态保存在 CHROME_PROFILE 目录（默认 ~/.chrome-debug-profile），只需登录一次：
方法 1：本机 GUI 登录（推荐）
# 启动带窗口的 Chrome（正常显示登录页面）
python3 -c "
from playwright.sync_api import sync_playwright
with sync_playwright() as p:
ctx = p.chromium.launch_persistent_context(
user_data_dir='$HOME/.chrome-debug-profile',
headless=False,
proxy={'server': 'http://127.0.0.1:7897'},
args=['--no-sandbox','--disable-gpu']
)
ctx.pages[0].goto('https://gemini.google.com/u/0/app')
input('登录完成后按 Enter 关闭浏览器...')
ctx.close()
"方法 2：SSH X11 转发（远程服务器）
# 先在本机开启 X11 forwarding: ssh -X user@server
# 然后运行可见 Chrome（X11 转发到本机屏幕）
python3 ~/open-chrome-gui.py &验证登录状态
curl -s http://127.0.0.1:9222/json/list | python3 -c "
import json,sys
for p in json.load(sys.stdin):
if 'gemini' in p.get('url',''): print(p['title'])
"
# 成功 → Google Gemini 失败 → 显示「登录」字样登录后可切换模型获取更强的推理能力（已内置在 skill 中自动处理）：
# Gemini UI: 开启模式挑選器 → 思考程度 → 延長
# 详见 skills/gemini-web-extended-thinking/SKILL.md# 1. 克隆
git clone https://github.com/ziwang-Physics/AgentChat.git
cd AgentChat
# 2. 安装依赖
pip3 install playwright websocket-client
python3 -m playwright install chromium
# 3. 配置 (可选, 默认可直接使用)
cp .env.example .env
# 编辑 .env 修改代理地址等
# 4. 环境检查
bash scripts/setup.sh
# 5. 启动
bash scripts/start-chrome-debug.sh # 启动 Chrome + Gemini
bash scripts/connect-gemini.sh # 一键连接| 依赖 | 安装 |
|---|---|
| Python 3.8+ | 系统自带 |
| Playwright (Python) | pip3 install playwright |
| Playwright Chromium | python3 -m playwright install chromium |
| websocket-client | pip3 install websocket-client |
| HTTP/SOCKS5 代理 | Clash Verge / v2ray 等 (中国大陆必需) |
| Google 账号 | 用于登录 Gemini (可选, 免登录也支持基础对话) |
复制 .env.example 为 .env 并按需修改：
| 变量 | 默认值 | 说明 |
|---|---|---|
CDP_PORT |
9222 |
Chrome DevTools Protocol 端口 |
PROXY_SERVER |
http://127.0.0.1:7897 |
代理地址 (中国大陆用户必须) |
GEMINI_URL |
https://gemini.google.com/u/0/app |
Gemini 目标 URL |
CHROME_PROFILE |
~/.chrome-debug-profile |
Chrome 持久化 Profile (保存 Google 登录) |
CHROMIUM_PATH |
自动检测 | 手动指定 Chromium 路径 (一般无需设置) |
LOG_FILE |
/tmp/chrome-debug.log |
诊断日志输出路径 |
脚本启动时会自动加载项目根目录的 .env 文件，无需手动 source。
只需 cp .env.example .env → 编辑 .env → 直接运行脚本。
AgentChat/
├── .env.example # 配置文件模板
├── scripts/
│ ├── setup.sh # 环境检查 (新用户必跑)
│ ├── start-chrome-debug.sh # Chrome daemon 启动 (idempotent)
│ ├── start-chrome-debug.py # Playwright daemon (Chrome 生命周期)
│ └── connect-gemini.sh # 一键连接 Gemini
└── skills/
├── gemini-web-extended-thinking/ # Gemini Web Extended Thinking
│ ├── SKILL.md # AI 操作指南
│ ├── index.js # Playwright/CDP 实现
│ └── package.json
└── five-agent-gemini-cli/ # GemiNode Swarm 5-Agent 架构
└── SKILL.md # 完整架构文档
检查所有依赖，输出 通过/失败/需修复 状态。新机器第一件事就是跑这个。
- Idempotent — 多次运行安全 (如已运行则跳过)
- 自动检测代理可达性
- 等待 CDP 端口 + Gemini 页面完全加载
- 管理 Playwright daemon 进程
- 验证 Gemini tab 已加载 (title ≠ about:blank)
- 缺失时通过 Playwright
connect_over_cdp创建 - Playwright 失败时回退到 raw CDP
Target.createTarget
- 自动检测 Chromium 二进制 (Playwright → 系统 Chrome)
- 注入关键 feature flags 绕过 Google 云端依赖
- 导航到 Gemini 并 sleep forever (保持浏览器存活)
在中国网络环境下，Chrome 启动时会向 Google 云端发起 SSL 请求：
accounts.google.com, update.googleapis.com, safebrowsingohttpgateway.googleapis.com 等。
这些请求被 GFW 阻断 → Chrome 安全组件 (Safe Browsing / Data Protection DLP / Optimization Guide) 初始化失败 → 进入 fail-safe 模式 → 所有用户导航被阻断。
症状：Gemini tab URL 正确但 title=about:blank, window.location.href="about:blank"。
修复：Playwright 注入关键 feature flags 在启动时切断 Google 依赖链。
详见 skills/gemini-web-extended-thinking/SKILL.md → "Chrome 启动架构" 章节。
--disable-features=OptimizationHints,Translate,HttpsUpgrades
--disable-background-networking
--disable-client-side-phishing-detection
--disable-field-trial-config
--disable-component-update
--disable-sync
--ozone-platform=headless
--use-angle=swiftshader-webgl
--ignore-certificate-errors
| 症状 | 原因 | 修复 |
|---|---|---|
Gemini tab about:blank |
3-layer fail-safe | pkill -9 chrome && bash scripts/start-chrome-debug.sh |
ERR_BLOCKED_BY_CLIENT |
Safe Browsing | 检查 flags 含 --disable-features=OptimizationHints |
SSL net_error -100 |
GFW RST 或 Reality TLS 冲突 | 使用 HTTP/SOCKS5 代理，不要用 VLESS Reality |
| 输入文字后发送按钮不出现 | Angular 变更检测未触发 | 先键入逗号→粘贴→删逗号→发送 |
# 查看 daemon 状态
curl -s http://127.0.0.1:9222/json/list | python3 -c "
import json,sys
[print(f'{p[\"title\"]} | {p[\"url\"]}') for p in json.load(sys.stdin) if p.get('type')=='page']
"
# 查看日志
cat /tmp/chrome-debug.log
# 重启
pkill -9 -f "start-chrome-debug.py" && pkill -9 chrome
sleep 2
bash scripts/start-chrome-debug.shgit clone此仓库- 确保代理 (HTTP/SOCKS5, 非 VLESS Reality) 可达
cp .env.example .env并修改代理地址bash scripts/setup.sh检查环境bash scripts/start-chrome-debug.sh启动- CDP 端口 9222 开放后即可通过 WebSocket 自动化交互
⚠️ 代理警告: 必须使用标准 HTTP/SOCKS5 代理。VLESS Reality 协议的 TLS spoofing (伪装 servername) 与 Chrome BoringSSL 冲突，会导致 SSL 握手失败。
MIT