欢迎来到《Nanobrowser 源码分析》系列的第二篇文章。在上一篇中，我们对 Nanobrowser 的基本功能和安装进行了快速上手。今天，我们将深入底层，剖析其多智能体（Multi-Agent）架构 与通信模型。
作为一款开源的 AI 浏览器自动化工具，Nanobrowser 的精妙之处在于它并非简单的"提示词转发器"，而是一个运行在浏览器侧边栏中的微型操作系统。
一、 整体架构概览
Nanobrowser 采用了典型的 Chrome Extension V3 架构，并在此基础上构建了一套复杂的智能体协作逻辑。其核心设计哲学是 Local-first（本地优先）：所有的逻辑调度、状态管理和 DOM 操作都在用户的本地浏览器中完成。
1.1 三层逻辑架构
从逻辑上看，Nanobrowser 可以分为以下三层：
-
UI 层 (Sidebar & Options)： 提供用户交互界面，负责任务输入、实时状态展示及配置管理（如 LLM API Key）。
-
调度层 (Agent Core)： 整个系统的"大脑"。负责将复杂任务拆解，并驱动智能体进行"思考-行动-观察"的循环。
-
执行层 (Content Scripts)： 注入到目标网页的脚本，负责真实的 DOM 读取、点击、输入等操作。
二、 核心组件：多智能体协作模型
Nanobrowser 的核心竞争力在于其 Planner-Navigator-Validator（规划者-执行者-验证者） 模型。这种分工避免了单个 LLM 调用在处理复杂长链路任务时的"幻觉"和失控。
1. Planner (规划者)
-
职责： 任务分解。
-
逻辑： 当用户输入"在京东搜索并购买最便宜的机械键盘"时，Planner 会将其拆解为：1. 导航至京东；2. 搜索关键词；3. 筛选并排序；4. 识别目标商品并点击。
2. Navigator (导航/执行者)
-
职责： 环境感知与动作执行。
-
逻辑： 它是唯一直接与网页结构打交道的智能体。它会获取当前页面的 Accessibility Tree (无障碍树) 简化信息，决定点击哪个选择器（Selector）。
3. Validator (验证者)
-
职责： 质量控制。
-
逻辑： 在每个关键动作结束后，Validator 会检查当前页面状态是否符合预期（例如：登录是否成功？搜索结果是否加载？）。如果失败，它会触发重试或反馈给 Planner 调整策略。
三、 通信模型：消息传递机制
由于 Chrome 扩展的沙箱机制，Sidebar（侧边栏）、Background Service Worker（后台脚本）和 Content Script（页面脚本）运行在不同的环境中。Nanobrowser 构建了一套高效的通信链路。
3.1 内部消息总线 (Chrome Message Passing)
Nanobrowser 使用 chrome.runtime API 进行跨环境协作：
| 发起方 | 接收方 | 目的 |
|---|---|---|
| Sidebar | Background | 启动任务，传递用户指令。 |
| Background | Content Script | 执行具体的 click 或 type 动作。 |
| Content Script | Background | 返回当前页面的 DOM 结构和执行结果。 |
| Background | Sidebar | 实时推送 Agent 的思考状态和日志。 |
3.2 外部通信 (LLM & MCP)
-
LLM API： Nanobrowser 支持 OpenAI、Claude、Gemini 以及通过 Ollama 运行的本地模型。它通过标准的 HTTPS 请求与这些 API 通信，关键的 System Prompt 会在 Background 阶段完成组装。
-
MCP (Model Context Protocol)： Nanobrowser 正在引入 MCP 支持，这允许 Agent 调用外部工具（如本地文件读写、数据库查询），将浏览器自动化的边界扩展到操作系统层面。
四、 核心工作流：从 Prompt 到 Action
一个典型的自动化循环如下：
-
感知 (Observe)： Content Script 提取当前页面的 DOM/无障碍树，并进行"瘦身"处理（减少 Token 消耗）。
-
决策 (Think)： 调度层将页面信息 + 用户目标发送给 Navigator。
-
行动 (Act)： Navigator 生成特定指令（如
click("#buy-btn")），通过消息总线发送至 Content Script 执行。 -
校验 (Validate)： Validator 观察行动后的页面变化，决定进入下一步还是重试。
五、 源码中的关键路径
如果你想深入代码库，可以重点关注以下目录：
-
src/agents/: 包含各智能体的 Prompt 定义和逻辑逻辑。 -
src/background/: 负责扩展的生命周期管理和消息中转。 -
src/content/: 实现具体的浏览器操作（模拟点击、滚动、表单填充）。
结语
Nanobrowser 的架构展示了如何通过模块化智能体 和高效的浏览器消息机制，在有限的扩展环境中实现强大的 AI 自动化。这种"分而治之"的设计，不仅提升了任务的成功率，也极大地降低了开发者二次开发的难度。