Moli：浏览器 Agent 默认只读结构，需要时再渲染 • Lora

30 秒看懂#

Moli 是一个面向 AI Agent 的开源 headless browser。Agent 只需要抽取文字、查询 DOM、运行 JavaScript、检查网络或存储时，它直接读取浏览器运行时状态，不做真实 layout 和 paint。任务需要元素坐标、命中测试或坐标输入时，再计算 layout。需要截图时，再从当前 DOM 和样式生成一帧像素。

它同时提供 CLI、CDP、WebDriver Classic 和 WebDriver BiDi。Playwright 可以通过 CDP 直接连接。因此，现有自动化工具可以继续使用，而浏览器执行层可以把昂贵的视觉计算改成显式能力。

事实核验#

Moli 由 Lexmount 组织维护。官方仓库将它定义为面向 AI Agent 的 headless browser，并明确说明它是独立浏览器内核，不是 Chromium wrapper。项目主要使用 Rust，内部组合了 V8、Servo 与 Stylo、Taffy、Parley 等组件。

官方 README 把浏览器请求分成不同成本路径：

Agent 请求	Moli 的处理方式
抽取 HTML 或 Markdown、查询 DOM、运行 JavaScript、检查网络或存储	直接读取运行时状态，不触发真实 layout 或 paint
读取元素几何、命中测试、发送坐标输入	执行一次 layout，并保留最新的冻结布局树
截图	从当前 DOM 与样式重新构建布局，渲染新的一帧，使用后丢弃 paint state

默认的 moli serve 面向 DOM 优先工作负载。需要真实几何、坐标输入或截图时，可以启用 --layout。图片、字体、音频、视频等可选资源也可以单独打开。这个设计让结构操作和视觉操作拥有不同的资源成本。

Moli 支持 Linux、macOS 和 Windows。自动化接口包括 CDP、WebDriver Classic 和 WebDriver BiDi，同一个端点可以服务这三类协议。官方 README 也给出了 Playwright 通过 CDP 连接的示例。

截至 2026 年 10 月 4 日核验，最新正式 Release 是 v1.1.12，发布时间为 2026 年 9 月 30 日。仓库最新提交是 7106a4e，提交时间为 2026 年 10 月 3 日 21:20 UTC。项目仍处于活跃开发状态。

README 将文档定义的 Agent Browser 场景描述为可用于生产。这是项目方对当前能力范围的表述，不代表它与 Chrome 完全兼容。官方同时明确列出边界，包括没有 GUI、持续窗口、GPU compositor，以及不追求完整的高保真 Canvas、WebGL 和媒体能力。

主要来源：

证据卡#

Moli 的关键机制可以概括成一句话：结构优先，像素按需。

原生 DOM 和样式状态是源数据。普通抽取和脚本操作直接读取这些状态。真实 layout 是临时计算结果。截图需要像素时才执行软件渲染，并在使用后丢弃 paint state。

这意味着 Agent Harness 可以明确记录某一步是否启用了 layout、是否请求了视觉资源，以及截图是否真的必要。浏览器资源预算因此可以和任务需求直接对应。

为什么这个设计值得看#

Browser Agent 的很多步骤并不需要持续维护完整画面。检索文本、读取 DOM、执行脚本和检查网络状态，本质上都可以沿结构路径完成。

Moli 把昂贵能力默认关闭。任务只有在需要坐标或视觉证据时才进入 layout 和 paint。这比让每个步骤都维持完整页面像素状态更容易做资源控制，也更容易做回归测试。

它还保留了现有自动化协议。项目不要求上层 Agent 全部改用新的专有接口。CDP、WebDriver Classic 和 BiDi 仍然可以接在同一个内核上。

3 个值得借鉴的设计#

1. 昂贵能力默认关闭#

默认模式优先服务 DOM 场景。真实几何、坐标输入、截图和可选媒体资源都需要显式开启。系统可以据此把资源消耗与任务需求对应起来。

2. DOM 与样式是源数据#

layout 和 paint 是派生结果，不需要长期维护另一套持续更新的视觉状态。这样可以减少状态同步和无效计算。

3. 先兼容现有协议#

CDP、WebDriver Classic 和 BiDi 共用同一个浏览器内核。Playwright 等现有工具仍然可以连接。运行时可以改变底层成本模型，而不必同时重写上层自动化接口。

对 Agent Harness 的启发#

浏览器执行层可以进一步拆成结构路径和视觉路径。

研究、抓取和 DOM 检查默认走结构路径。只有需要真实坐标、视觉判断或截图证据时，再打开 layout 和视觉资源。每一步都可以记录是否进入了视觉路径，并把它作为成本和回归测试的一部分。

多 Agent 系统也可以采用同样的边界。负责研究和采集的 Agent 不必持续获得完整截图。需要视觉确认的步骤再切换到视觉路径，可以减少不必要的浏览器资源占用。