Codex Control Chrome MCP:复用日常 Chrome 登录态

目录

声明:本文包含 AI 辅助创作。

前言

最近研究了一下 OpenAI 的 Codex App 是怎么在本地控制 Chrome 浏览器的。平时我们用常见的浏览器自动化方案(比如早期的 Chrome DevTools MCP 或 Puppeteer),默认都会另起炉灶开一个全新的空白 Chrome Profile,或者要求在启动浏览器时手动挂上 --remote-debugging-port 参数。这种隔离环境拿来跑纯粹的前端自动化测试很合适,但一旦放到日常的通用 Agent 场景里,体验就会非常割裂。

最直观的麻烦在于环境断层。平时在主力浏览器里早就登录好的内部系统或常用网站,到了隔离的新 Profile 里全得重新输密码、过双因素认证;日常高频依赖的浏览器扩展在新环境里一个都没有;有时候自己明明已经在浏览器里打开了一个页面,想让 Agent 接着看一眼或者点两下,它却接管不过来;更别提不少风控严格的网站一旦检测到空白环境或新设备指纹,还会额外弹出一堆人机校验。

而 Codex App 走的是另一条路子。它直接通过官方的 Codex Chrome Extension 驻留在用户平时正在使用的默认 Chrome Profile 里,现有的登录态与 Cookie、已经打开的标签页以及安装好的扩展全都能原样复用。只不过这套能力原本只服务于 Codex App 自己,于是我花了点时间把它的底层通信链路拆出来,外面包了一层标准 MCP 服务,做成了开源项目 codex-control-chrome-mcp,让 Claude Code、Cursor 等其他支持 MCP 的 Agent 工具也能直接复用这套现成的浏览器环境。

为什么看上 Codex Chrome Extension 的通信链路

动手之前我先把 Codex App 和浏览器之间的通信过程拆开看了一遍。它并没有去碰外部的 CDP 远程调试端口(remote debugging port),整条控制链路完全建立在 Chrome Extension 配合 Native Messaging 的机制之上。

Codex Chrome Extension
  -> chrome.runtime.connectNative("com.openai.codexextension")
  -> native messaging host
  -> chrome.debugger.attach / chrome.debugger.sendCommand
  -> CDP

整个调用流向非常清晰。扩展程序直接安装在用户日常使用的 Chrome Profile 内部,启动后通过 chrome.runtime.connectNative("com.openai.codexextension") 拉起本地注册好的 Native Messaging 宿主进程;外部需要操作页面或抓取数据时,指令通过这条本地管道传回扩展,再由扩展在内部调用 chrome.debugger.attach 和 chrome.debugger.sendCommand 向目标标签页发送标准的 CDP(Chrome DevTools Protocol)命令。因为真正的控制入口始终留在扩展内部,不需要重启浏览器加特殊启动参数,日常积攒的登录态和扩展环境自然也就全部保留了下来。

代理 Native Messaging 与封装 MCP 服务

摸清这条链路之后,codex-control-chrome-mcp 要做的事情就很明确了。核心思路是在不破坏 Codex App 原有功能的前提下,在 Native Messaging 宿主这一层做一个透明中间层,并对外暴露标准 MCP 接口。项目的名字也直接沿用了 Codex 官方 skill 里的 control-chrome 叫法,只在后面加上了 -mcp 后缀表明身份。

具体实现上分成了五步。首先是接管 com.openai.codexextension 对应的 Native Messaging host 注册配置;为了避免装上这个工具后导致原本的 Codex App 无法控制浏览器,程序在安装时会把 Codex 原有的 extension-host 路径保存下来并做一层透明转发代理,让 Codex App 和外部 MCP 客户端能够共用同一个扩展入口。接着,宿主进程会在本地开一个 Bridge Socket,供按需启动的 MCP Server 通过 JSON-RPC 协议收发指令。在此之上,MCP Server 把底层的通信能力封装成了标签页列举与认领(claim)、页面导航和原始 CDP 指令发送,以及页面截图与网络、控制台事件读取等一组基础工具,并发布到了 npm 上,平时直接通过 npx 就能拉起。

如果要在自己的环境里跑起来,前置条件是先从 Chrome 应用商店装好官方的 Codex Chrome Extension。装好扩展后,按照仓库 README 的说明执行一次 native host 注册,再往常用的 Agent 工具里添一段标准 stdio 类型的 MCP 配置就可以开始用了。

为什么要专门配一份 Skill 约束调用顺序

在仓库的 skills/codex-control-chrome-mcp 目录下,我还专门附带了一份配套的 Agent Skill。之所以要多加这一层说明,是因为在实际使用中发现,如果只把十几个底层 MCP 工具直接丢给大模型,模型自己临场发挥时非常容易搞错操作顺序。

比如有些模型上来不查当前有哪些标签页,自己凭空编造一个 tabId 就往里发指令;或者在发送原始 CDP 命令前忘了先执行 attach;又或者想抓网络包和控制台报错,却忘了提前调用 CDP 把对应的 Network、Runtime 或 Page 域(domain)开启(enable),结果读回来的事件流永远是空的。

有了这份配套 Skill 之后,Agent 会按照明确的状态机顺序去调工具。先检查本地 MCP Bridge 和浏览器扩展的握手状态;需要接手用户已打开的页面时,先列出当前标签页再显式认领(claim)目标标签页;发 CDP 命令前确保已完成 attach,读事件前确保已 enable 对应域;任务结束退出前还会调一次 finalize tabs,交代清楚哪些临时新建的标签页要关掉、哪些需要留给用户继续看。这几条规则虽然写起来很短,但加进去之后能省掉大量模型自己试错和重来的时间。

尾声

目前这个版本的 codex-control-chrome-mcp 已经能稳定处理标签页的读取和认领、新建与导航,原始 CDP 指令透传、网络与页面事件监听以及截屏也都跑通了。我最近还在继续看 Codex 内部 browser-client 的高层实现,不过眼下先把标签页生命周期和底层 CDP 通道做稳,就已经能解决日常绝大多数浏览器接管需求了。

平时我主要拿这套工具处理那些已经登录好的后台系统,或者让 Agent 直接接手我看到一半的网页继续查网络请求和看控制台报错,以及分析性能与 DOM 结构,省去了维护第二套浏览器环境的麻烦。需要留意的边界也很清楚,整个方案依赖官方扩展以及本地的 com.openai.codexextension 清单注册,而且由于接入的是每天自用的真实浏览器 Profile,里面包含大量个人登录凭证与隐私数据,建议大家只在自己完全掌控的个人设备和明确授权的任务中使用。

相关阅读