[控场AI]
· 5 分钟阅读· 2,596 字

Playwright MCP上下文爆炸:长表单任务为何总在提交前失败

Playwright MCP上下文爆炸:长表单任务为何总在提交前失败

Playwright MCP 每次返回完整页面树导致长任务上下文膨胀,工具层需显式管理状态。

文章从 Reddit 用户反馈切入,指出 Playwright MCP 在长表单任务中频繁失败的根因并非模型能力不足,而是上下文管理策略的缺陷:每次工具调用都返回完整的页面可访问性树,历史快照不断叠加,加之 Agent 回溯旧快照定位元素,使上下文在提交前就被撑爆。手动裁剪历史又会让 Agent 忘记已填内容,简单截断不可行。社区由此探索三条路径:增量快照与差异更新、将快照存入外部存储并以引用 ID 访问、用结构化摘要替代原始树。文章进一步提炼出对 Agent 工具设计的启示:上下文不是垃圾桶,状态管理应成为工具层的一等公民,长任务需要分页、增量更新、外部存储等专门优化。

当浏览器自动化遇上长任务

把 Playwright MCP 接入本地 Agent 循环,起初几步还算顺畅,表单填写、按钮点击都能完成。但任务一旦拉长——比如一个包含多个字段的注册表单——Agent 就开始频繁失败。据 Reddit 用户反馈,问题出在每次工具调用都会把整棵页面树塞回上下文,导致上下文在提交前就被撑爆。

这不是模型能力的问题,而是上下文管理策略的缺陷。

reddit source: playwright mcp fills my agent context with old page snapshots so long forms never make it to submit

问题拆解:旧快照如何拖垮长任务

上下文膨胀的机制

Playwright MCP 在每次工具调用后返回当前页面的可访问性树(accessibility tree)。对于简单页面,这或许无伤大雅;但长表单往往包含大量输入框、标签和状态信息,一次返回就可能占据数千 token。随着步骤累积,历史快照不断叠加,上下文窗口迅速被填满。

更糟糕的是,Agent 在寻找某个字段时,会回溯之前的快照来定位元素。这意味着旧快照不仅占用空间,还被反复读取,进一步加剧了上下文压力。

可访问性树(accessibility tree)是浏览器根据 DOM 结构生成的一棵语义树,它剥离了纯样式和装饰性节点,只保留对辅助技术(如屏幕阅读器)有意义的元素,包括角色(button、textbox、heading 等)、名称、状态(checked、disabled)以及层级关系。Playwright 可以基于 Chromium 的 Accessibility 域直接导出这棵树,因此常被当作给 Agent 的"页面地图"。相比原始 HTML,它更紧凑、更语义化,但长表单中每个输入框、标签、提示文本仍会生成节点,树规模依然可观。关键在于:这棵树描述的是"当前页面的完整快照",而不是"与上一步的差异",所以每调用一次工具就相当于把整页重新序列化一遍,token 成本与页面复杂度成正比,而非与本次操作的变化量成正比。

上下文窗口(context window)是模型单次推理能够接收的 token 上限,包含系统提示、历史对话、工具返回结果以及待生成的输出。它是一次性的硬约束,不会因为模型更聪明而消失。在 Agent 循环中,每一轮工具调用及其返回值都会被追加进对话历史,因此上下文消耗随步数单调增长。当接近上限时,常见后果包括:早期指令被挤掉、模型开始忽略中间步骤的信息、或请求直接被截断报错。所谓"上下文膨胀",指的就是工具返回的冗余信息以远超任务实际需要的信息量填充窗口,使得长任务在完成前就耗尽预算——这正是长表单在提交前失败的根本原因。

手动清理的副作用

有人尝试手动裁剪历史记录,只保留最近几次快照。但这样做会导致 Agent 忘记已经填写过的内容,在后续步骤中重复操作或遗漏字段。Reddit 用户指出,手动修剪历史“只会让它忘记已经填了什么”。

这说明简单的截断策略行不通,需要更精细的状态管理。

社区探索:保持页面状态精简的思路

增量快照与差异更新

一个自然的思路是只返回页面变化的部分,而不是整棵树。比如,当 Agent 填写一个输入框后,MCP 只返回该字段的状态变化和新增的可交互元素。这能显著减少每次调用的 token 消耗,同时保留关键信息。

不过,实现增量更新需要 MCP 服务端维护页面状态对比,对工具设计提出了更高要求。

差异更新(diff)在工程上通常指比较前后两个状态并只输出变化部分,类似 Git diff 或虚拟 DOM 的 patch 机制。放到浏览器自动化场景,实现路径大致有三类:一是基于可访问性树节点的稳定标识做结构对比,输出新增、删除、属性变更的节点;二是监听 DOM 变更事件(MutationObserver)累积变更集,再在工具返回时汇总;三是用版本号标记快照,Agent 携带上次看到的版本号请求"自那以后的变化"。难点在于节点标识的稳定性——输入框获得焦点、动态 id 重排、列表重渲染都会让简单对比产生大量伪差异。因此实际设计往往需要配合语义键(如 label 文本 + 角色)而非纯 DOM 路径来匹配节点,否则增量返回可能比全量还冗长。

外部状态存储

另一种方案是将页面快照存储在上下文之外,比如写入文件或数据库,Agent 通过引用 ID 来访问。这样上下文只保留指针,而不是完整快照。但这也引入了检索开销,Agent 需要知道何时去读取哪个快照,增加了决策复杂度。

结构化摘要代替原始树

还有观点认为,与其返回原始可访问性树,不如让 MCP 生成结构化摘要,只包含当前可交互元素和已填字段的简要描述。这需要 MCP 具备一定的语义理解能力,但能大幅压缩信息量。

对Agent工具设计的启示

上下文不是垃圾桶

这个案例暴露了一个普遍问题:工具开发者倾向于返回尽可能多的信息,认为这样对 Agent 更友好。但实际上,冗余信息会稀释注意力,加速上下文耗尽。工具应该像人类助手一样,只提供当前步骤需要的信息。

状态管理需要一等公民待遇

长任务中的状态管理不能依赖 Agent 的记忆,而应该由工具层显式支持。比如,MCP 可以维护一个“表单填写进度”状态,Agent 只需查询进度和下一步操作,而不必回溯历史快照。

长任务需要专门优化

目前多数 MCP 工具针对短交互设计,长任务场景缺乏优化。随着 Agent 处理的任务越来越复杂,工具需要内置分页、增量更新、外部存储等机制,而不是假设上下文无限大。

结语

Playwright MCP 的上下文膨胀问题并非孤例,它反映了 Agent 工具链在长任务支持上的不足。解决这个问题需要工具设计者重新思考信息返回策略,而不仅仅是让 Agent 更聪明。对于正在构建本地 Agent 循环的开发者,这个案例提醒我们:上下文管理是长任务成功的必要条件,而非事后补丁。

#Playwright MCP#上下文管理#Agent循环#长表单自动化#页面快照#工具设计
分享:

相关推荐