谷歌推WebMCP标准 让网页向AI智能体直接暴露结构化工具

The agent-ready web: Simplify user actions with WebMCP — Tara Agyemang, Google — AI Engineer

AI Engineer

传统依赖DOM解析与像素坐标计算的截屏点击既昂贵又脆弱,网站应通过浏览器端工具接口直接暴露业务能力,将网页转变为面向AI智能体的高性能客户端API。

AI-assisted summary of The agent-ready web: Simplify user actions with WebMCP — Tara Agyemang, Google — original source. Check the original for full context.

Source published:

Key ideas

  • Google Chrome 团队联合 DeepMind 提出全新的 Web 标准提案 WebMCP(Web 模型上下文协议),旨在通过向 AI 智能体暴露具名、类型化且结构化的工具菜单,彻底取代高开销、易出错的 DOM 解析、视口截图与绝对像素坐标点击流程。 (3:40)
  • WebMCP 专注于客户端交互,提供声明式(Declarative)与命令式(Imperative)两种 API:前者在原生 HTML 表单追加属性自动生成 JSON Schema,后者在 JavaScript 中利用 registerTool 定义包含原生 DOM 操作与状态回传的复杂多步骤 UI 执行流。 (12:35)
  • 在现场演示中,Gemini 驱动的客户端智能体仅凭 3 次连续工具调用即全自动完成了音乐节门票的搜索、详情页导航与规格下单,期间前端 UI 状态实时同步高亮。 (15:20)
  • WebMCP 目前在 Chrome 146(建议使用 Canary 分支)中开启早期预览,配套的 Model Context Tool Inspector 浏览器调试扩展、Evals CLI 命令行评测工具以及多款示例代码已在 GitHub 和 Chrome 网上应用店公开。 (18:10)

Detailed notes

## Background 该视频由 YouTube 频道 AI Engineer 于 2026 年 6 月 11 日发布。视频内容源自 Google Chrome 团队的 Tara Agyemang 在大会上的演讲,主题是介绍一项全新的 Web 标准提案 WebMCP,旨在通过为 AI 智能体提供结构化的工具菜单,替代以往脆弱且昂贵的屏幕截图与 DOM 逆向解析流程。

## TL;DR 针对传统网页上 AI 智能体需要解析庞大 DOM、截图并计算像素坐标等高成本且脆弱的交互痛点,Google 提出了全新的客户端标准提案 WebMCP。该协议支持声明式(为原生表单添加 HTML 属性自动生成 Schema)和命令式(在 JavaScript 中注册工具并执行 DOM 操作)两种开发方式,使智能体能够像调用 API 一样直接执行页面动作。演讲通过迷宫游戏与三步购票演示,展现了动态工具作用域、状态同步以及人机协同浏览的无缝体验,并号召前端开发者基于 Chrome 146 预览版与官方 Inspector 插件开始构建“智能体就绪”的下一代网页。

## Atmosphere & style 整场演讲兼具极客趣味与前沿技术大会的务实风格,Tara Agyemang 的台风风趣从容且充满感染力。她用生动的幽默吐槽了前端广告突然加载导致点击落空等开发者普遍感同身受的尴尬场景,随后在迷宫游戏和一键购票的实机演示中将现场气氛推向高潮。听众能强烈感受到一种前端技术范式正面临深刻重塑的兴奋感与紧迫感,整个交流过程务实而富有启发性。

## Bulletin - [03:40](https://www.youtube.com/watch?v=ghJmWQCIHRM&t=220s) Google Chrome 团队联合 DeepMind 提出全新的 Web 标准提案 WebMCP(Web 模型上下文协议),旨在通过向 AI 智能体暴露具名、类型化且结构化的工具菜单,彻底取代高开销、易出错的 DOM 解析、视口截图与绝对像素坐标点击流程。 - [12:35](https://www.youtube.com/watch?v=ghJmWQCIHRM&t=755s) WebMCP 专注于客户端交互,提供声明式(Declarative)与命令式(Imperative)两种 API:前者在原生 HTML 表单追加属性自动生成 JSON Schema,后者在 JavaScript 中利用 registerTool 定义包含原生 DOM 操作与状态回传的复杂多步骤 UI 执行流。 - [15:20](https://www.youtube.com/watch?v=ghJmWQCIHRM&t=920s) 在现场演示中,Gemini 驱动的客户端智能体仅凭 3 次连续工具调用即全自动完成了音乐节门票的搜索、详情页导航与规格下单,期间前端 UI 状态实时同步高亮。 - [18:10](https://www.youtube.com/watch?v=ghJmWQCIHRM&t=1090s) WebMCP 目前在 Chrome 146(建议使用 Canary 分支)中开启早期预览,配套的 Model Context Tool Inspector 浏览器调试扩展、Evals CLI 命令行评测工具以及多款示例代码已在 GitHub 和 Chrome 网上应用店公开。

## Key takeaways - [00:00](https://www.youtube.com/watch?v=ghJmWQCIHRM&t=0s) 传统网页是围绕人类视觉与交互习惯构建的,AI 智能体在现有网页上执行简单动作需要解析 DOM 树、无障碍树、截图甚至精密计算像素偏移,计算开销巨大且极具脆弱性。 - [00:00](https://www.youtube.com/watch?v=ghJmWQCIHRM&t=0s) 基于视口截图与坐标计算的自动化交互极易受动态因素干扰,例如异步加载的广告条引发的页面重排(Layout Shift)会导致计算出的物理点击坐标彻底落空。 - [02:30](https://www.youtube.com/watch?v=ghJmWQCIHRM&t=150s) WebMCP 并不是修复低劣前端工程的银弹;语义化 HTML、稳健的无障碍规范(ARIA)以及优秀的核心网页指标(Core Web Vitals)是网站实现“智能体就绪(Agent-ready)”不可逾越的前提。 - [03:40](https://www.youtube.com/watch?v=ghJmWQCIHRM&t=220s) WebMCP 被视作 AI 智能体交互领域的“USB-C 接口”,它让网站从让 Agent 盲猜逆向转变为主动向其呈递明确的功能清单与参数描述。 - [04:40](https://www.youtube.com/watch?v=ghJmWQCIHRM&t=280s) WebMCP 工具具备动态作用域(Dynamic Scoping)特性,可随着网页生命周期和业务上下文的迁移(如从首页进入游戏或详情页)动态注册与销毁可用工具集。 - [04:40](https://www.youtube.com/watch?v=ghJmWQCIHRM&t=280s) 通过结构化入参和多步循环编排,智能体能将自然语言甚至简写口令精准映射为函数参数,无需借助屏幕坐标反推即可自主循环调用工具达成最终目标。 - [08:50](https://www.youtube.com/watch?v=ghJmWQCIHRM&t=530s) WebMCP 赋能了一种人机流动的“协同浏览(Co-browsing)”新范式,用户可以在人工操作与 Agent 代劳多步繁琐表单之间随时无缝交接控制权。 - [10:00](https://www.youtube.com/watch?v=ghJmWQCIHRM&t=600s) 与 Anthropic 主打服务端应用连接的 MCP 不同,WebMCP 类似于客户端特化的“MCP Tools”实现,专门面向运行中的浏览器窗口、DOM 操作与前端交互。 - [12:35](https://www.youtube.com/watch?v=ghJmWQCIHRM&t=755s) 声明式 API 针对标准 HTML 表单设计,通过追加 tool-name、tool-description 及 agent-invoked 等属性,由浏览器内核直接编译出对应的 JSON Schema。 - [12:35](https://www.youtube.com/watch?v=ghJmWQCIHRM&t=755s) 命令式 API 采用 registerTool 机制,允许前端工程师用原生 JavaScript 编写 execute 闭包以执行复杂的 DOM 变更,并将结果状态反馈给大模型,是多步富交互应用的核心落地形态。 - [15:20](https://www.youtube.com/watch?v=ghJmWQCIHRM&t=920s) 在设计 WebMCP 工具时,保持前端 UI 与工具执行状态的即时可视同步至关重要,而在实际商业落地中,资金扣款等敏感动作建议保留给人工最终确认。 - [18:10](https://www.youtube.com/watch?v=ghJmWQCIHRM&t=1090s) WebMCP 正在以 Web 标准为目标快速演进,官方通过 Inspector 扩展、Evals 评测套件和开源 Demo 广泛征集开发者在实际站点集成中的摩擦阻力与反馈。 - [20:15](https://www.youtube.com/watch?v=ghJmWQCIHRM&t=1215s) 未来的 Web 架构应当跳过粗暴低效的屏幕抓取(Screen Scraping),通过 WebMCP 将各类网站转化为对 Agent 友好的高性能客户端 API。

## Detailed walkthrough ### [00:00](https://www.youtube.com/watch?v=ghJmWQCIHRM&t=0s) 人类与智能体共存的网络:AI 在传统网页上的高昂代价

来自 Google Chrome 团队的开发者关系工程师 Tara Agyemang 登台开场。她与来自 Google Chrome 以及 DeepMind 团队的同事一同出席,当前的核心研究方向正是 Web 与 AI 的交叉融合领域。Tara 指出,过去几十年间,开发者构建和优化万维网的所有标准几乎都是围绕人类的眼睛和操作习惯展开的。然而当下时代已经改变,网络的使用者不再只有人类,代表用户在网络上执行各类操作的 AI 智能体(Agents)数量正在急剧增长。但现实情况是,现有的网页架构对智能体极不友好,它们为了完成极其微小的操作往往需要付出巨大的计算开销。

Tara 以自己“vibe-coded”(AI 辅助编写)的一个音乐节门票销售网站为例,配合 Chrome 侧边栏的 Gemini 智能体进行演示。假设用户向智能体发出指令:“购买两张 Afrobeats 音乐节门票”,并提供了相关信息。在现有的常规机制下,智能体必须经历一连串极其繁重且脆弱的处理流程:首先它通常需要解析页面的完整 DOM 树以理解当前内容;接着读取无障碍树(Accessibility Tree)来推断页面元素的语义与骨架;如果有些元素在代码中无法清晰分辨,它往往还要对当前视口截屏并进行视觉分析;随后,智能体必须在屏幕空间内精密计算像素坐标——目标按钮在横向与纵向各偏离多少像素;最后才能模拟光标点击该坐标。

这一过程不仅消耗了难以计数的上下文 Token,而且极其容易发生不可逆的错误。Tara 特别生动地吐槽了一个经典的前端场景:历经千辛万苦计算好像素之后,页面顶部突然异步加载出一条广告横幅,瞬间将下方所有正文内容挤了下去,导致原本算好的坐标彻底偏移,智能体最终精准地点空。谈及智能体现阶段在传统网页上的处境,Tara 总结道:“The problem is... the agents are having to do so much work to do simple actions on the sites that we've built.”(问题在于……在我们构建的网站上,智能体光是执行一些简单操作就不得不做太多的无用功。)随后她感叹这种脆弱的现状:“And as you can see, this process is quite long. It can be brittle and I don't even want to guess at how many tokens you probably just use trying to do this.”

```mermaid flowchart TD accTitle: 传统网页上 AI 智能体执行点击操作的脆弱流程 subgraph S1["页面理解与解析"] A["获取并解析完整 DOM 树"] --> B["分析无障碍树 Accessibility Tree"] B --> C["捕获页面完整屏幕截图"] end subgraph S2["视觉与坐标计算"] C --> D["视觉模型匹配目标元素"] D --> E["计算绝对像素偏移量坐标"] end subgraph S3["执行交互与意外故障"] E --> F["尝试物理模拟点击坐标"] G["顶部异步广告突然加载并挤压布局"] -.->|"布局偏移 Layout Shift"| F F --> H["点击落空/操作失败"] end ```

- **解析开销巨大**:智能体为了定位操作入口,必须把庞大的 DOM 结构与无障碍树当作文本塞入上下文窗口。 - **视觉计算脆弱**:基于截图分析与像素坐标推演点击位置,计算耗时且高度依赖视口尺寸。 - **动态干扰风险**:网络延迟、异步广告加载导致的页面重排(Layout Shift)会导致绝对坐标失效。

---

[02:30](https://www.youtube.com/watch?v=ghJmWQCIHRM&t=150s) Web 基础规范:走向“智能体就绪”的第一步

在深入介绍新的 Web 标准之前,Tara 澄清了一个重要的认知误区:不要把 WebMCP 视作解救糟糕前端代码的“银弹”。想要让网站具备“智能体就绪”(Agent-ready)的能力,首先必须打好网页的基础根基。如果一个网站对人类用户而言难用、结构混乱、充满无障碍缺陷,那么它对 AI 智能体来说同样会是一场灾难。

Tara 强调,为全人类构建无障碍网站,本质上就会让网站在默认情况下对 AI 智能体更加友好。语义化的 HTML(Semantic HTML)能让 DOM 自身携带清晰的业务含义;健全的无障碍标准(Accessibility Standards)能让智能体不借助图像也能精确理解树状层级;优秀的页面加载性能与核心网页指标(Core Web Vitals)可以极大减少页面布局抖动和元素延迟渲染带来的识别偏差;清晰流畅的用户流程则能降低交互路径的复杂度。只有当这些基础稳固建立之后,引入更高阶的协议才有实际意义。Tara 明确表示:“So making your site accessible for everyone makes it accessible to AI agents by default.”(因此,让你的网站对所有人无障碍,在默认情况下就会使它对 AI 智能体无障碍。)

- **语义化 HTML**:使用标准的 `<form>`、`<button>`、`<nav>` 等标签,而非滥用没有任何语义的 `<div>`。 - **稳健的无障碍规范**:规范的 ARIA 属性和层次结构不仅服务于屏幕阅读器,也是大模型理解页面控件的直观依据。 - **核心性能指标(Core Web Vitals)**:降低累积布局偏移(CLS)并提升响应速度,使页面状态对智能体保持确定性。

---

[03:40](https://www.youtube.com/watch?v=ghJmWQCIHRM&t=220s) 什么是 WebMCP:AI 智能体交互的“USB-C”

有了扎实的 Web 基础作为支撑,Google Chrome 团队提出了 Web 模型上下文协议——WebMCP(Web Model Context Protocol)。这是一项旨在成为 Web 标准的全新提案,其核心目标是让开发者能够将自身网站的业务能力,直接定义为供 AI 智能体调用的“结构化工具”(Structured Tools)。

业界常将 WebMCP 形象地比作“AI 智能体交互领域的 USB-C 接口”。以往,智能体进入一个网站就像盲人摸象,只能靠猜想、推理和试探来摸索这个网站能做什么、哪个按钮代表什么含义;而 WebMCP 则彻底颠覆了这种交互方式,网站主动向智能体呈递一份标准化的“工具菜单”,清晰列出当前页面支持的所有操作、入参类型及其具体描述。智能体只需要根据用户意图直接选择工具并发起调用,从而在根本上跳过了抓取 DOM、计算像素和模拟点击的泥潭。正如 Tara 所解释的:“And that's because instead of any agent guessing what your website does, you're kind of giving the AI agent a menu of tools that it can use and actions that it can take.”(这是因为,你不再需要让智能体去瞎猜你的网站具备什么功能,而是相当于直接向 AI 智能体提供了一份包含可用工具与可执行操作的菜单。)因此,WebMCP 显著提升了智能体在网页上导航和履约的运行效率与执行可靠性。

---

[04:40](https://www.youtube.com/watch?v=ghJmWQCIHRM&t=280s) 实机演示:用迷宫游戏体验 WebMCP 与 Inspector 插件

为了直观展示 WebMCP 的运行逻辑,Tara 在现场展示了由 Chrome 开发者关系团队构建的“迷宫逃脱游戏”(Maze Escape Game),并在浏览器侧边栏打开了团队专门配套开发的扩展程序——Model Context Tool Inspector(模型上下文工具检查器)。该扩展程序能够实时监听并列出当前网页注册在全局范围内的所有 WebMCP 工具。有趣的是,这款迷宫游戏在前端 UI 上甚至没有提供任何可以让用户点击行走的图形按钮,它完全依赖 AI 工具调用来进行探索与交互。

```mermaid flowchart LR accTitle: WebMCP 迷宫逃脱游戏中的动态工具作用域演变 subgraph G1["首页初始状态"] T1["工具:Start Game"] end subgraph G2["游戏进行中状态"] T2["移动工具:Move (N/S/E/W)"] T3["感知工具:Look"] T4["物品交互工具:Pick / Drop / Use"] end T1 -->|"调用启动游戏,页面上下文切换"| G2 ```

在演示中,侧边栏模型选用的是 Gemini 2.5。在游戏首页,Inspector 插件只识别到一个名为 `start_maze_game` 的工具。当 Tara 输入提示词“start a new maze game”后,Gemini 命中并直接调用了启动工具,底层服务返回迷宫初始状态,页面随即渲染出迷宫地图。此时 Inspector 侧边栏的“工具作用域”(Scope)瞬间发生了动态变化:原本的启动工具消失,取而代之的是一组专门针对迷宫探索的新工具集,包括支持东南西北四个方向的 `Move` 工具、用于探测当前周围开放通道的 `Look` 工具,以及 `Pick up`、`Drop`、`Use` 等道具操作工具。

随后 Tara 展示了自然语言如何被无缝翻译成结构化的工具参数。输入“move down then right”,智能体准确解析出移动顺序,将人类语言映射为对应的方位参数并依序调用 `Move` 工具。智能体不仅支持口语化指令,还能理解极简缩写,例如输入“right, up, R”(R 即代表 Right),智能体依然能精确识别缩写含义并调用工具。更进一步,Tara 直接输入了高度抽象的目标指令“complete the maze”。借助智能体循环机制,AI 开始自主持续调用工具组在迷宫中穿梭探索、拾取并使用道具。Tara 坦言该指令虽然不是最优解,智能体有时会走回头路,但只要给提示词补充关键约束(例如告知“终点位于右下角”),智能体就能根据工具集返回的状态高效规划最优路径。演示期间,Tara 评价大模型的理解与自主性时指出:“And because it's an AI agent, it can just keep repeating the same tool calls until it thinks that it's done what needs to be done.”(正因为它是 AI 智能体,它能够不断重复发起相同的工具调用,直至它认为已经达成了预定目标。)

- **动态作用域机制**:WebMCP 工具不会一股脑全部抛出,而是跟随当前页面的生命周期和业务上下文动态暴露与注销。 - **免除 UI 逆向工程**:智能体无需在迷宫网格中寻找像素坐标,只需像调用函数一样传递 `{"direction": "south"}` 参数即可完成移动。 - **多步自主编排**:面对宏观任务目标,智能体能够结合工具的返回值作为上下文,在同一个会话内链式调用多个工具自主破局。

---

[08:50](https://www.youtube.com/watch?v=ghJmWQCIHRM&t=530s) 人机协作的新范式:无缝交接控制权

在演示的收尾阶段,Tara 重新切换回幻灯片,向观众介绍了刚才演示中所使用的 Model Context Tool Inspector 插件。该工具由 Chrome 开发者关系团队自主打造,开发者和用户可以直接在 Chrome 网上应用店(Chrome Web Store)免费下载安装,用于检查和调试任何支持 WebMCP 的网站。

更深层次地看,WebMCP 不仅仅是一项面向自动化的后端通信协议,它实质上开启了一种全新的网络冲浪哲学——即用户、网页与智能体之间流动的“协同浏览”(Co-browsing)新体验。在以往,用户面对复杂、冗长或繁琐的企业级网站往往需要耗费大量时间去研究界面逻辑与操作流;而在 WebMCP 的加持下,控制权可以在人和 AI 之间无缝切换。用户可以像往常一样自己正常点击浏览,当遇到批量、重复或逻辑复杂的环节时,直接把控制权交接给侧边栏的 AI 智能体,让其代表自己调用工具执行多步操作;在任何需要的时刻,用户又可以随时介入重新接管网页,继续传统的人工浏览。Tara 这样描绘未来的 Web 交互蓝图:“Essentially, WebMCP kind of unlocks this new approach to using the web where your users don't have to spend a lot of time trying to figure out how to use more complicated sites and they can figure out their own workflow.”(从本质上讲,WebMCP 开启了这种使用网络的全新方式:用户无需再耗费大量时间去费力弄清楚如何操作那些复杂的网站,他们可以自由定义属于自己的工作流。)

[10:00](https://www.youtube.com/watch?v=ghJmWQCIHRM&t=600s) WebMCP 与传统 MCP 的区别及客户端使用场景

为用户简化复杂的操作流程、让在线旅程更加轻松,正是这项新 Web 标准引发广泛兴趣和兴奋的核心原因。针对许多人关心的疑问——WebMCP 与 Anthropic 提出的 MCP(Model Context Protocol)究竟有何区别,两者实际上是高度互补的关系。MCP 主要赋能 AI Agent 在服务端连接应用程序,开发者需要搭建自己的服务器供 Agent 访问,Agent 随后便能随时随地获取数据;而 WebMCP 则是受到了 MCP 的启发,其关系类似于 JavaScript 之于 Java,“WebMCP 是 MCP 中工具(Tools)部分的实现”。WebMCP 允许前端工程师直接向浏览器内的 AI Agent 提供工具,完全针对客户端特性而设计,运行的前提是用户的浏览器窗口必须处于打开状态。

```mermaid flowchart TD accTitle: MCP 与 WebMCP 架构对比 accDescr: 展示服务端 MCP 与客户端 WebMCP 在运行环境与交互模式上的区别

subgraph ServerSide["服务端 MCP (Model Context Protocol)"] S_Agent["AI Agent"] -->|"网络调用"| S_Server["自建 MCP 服务器"] S_Server -->|"API 数据集成"| S_App["后端服务 / 数据库"] end

subgraph ClientSide["客户端 WebMCP (浏览器端)"] C_Agent["浏览器内 AI Agent"] -->|"直接调用工具"| C_Browser["当前浏览器窗口 (DOM/UI)"] C_Browser -->|"执行 JS / 填充表单"| C_Site["复杂前端应用 (电商/机票/政企表单)"] end ```

在日常生活中,许多网站的操作极其繁琐,例如订机票、电商网站多条件筛选商品、填写医疗或复杂的财务表格,或是触发页面上隐藏的特定修复操作。Tara Agyemang 举了一个贴近日常的例子:在普通网购站点上,用户只想买一个能装下手机的“黑色仿皮手拿包(black faux leather clutch bag)”,在传统模式下必须手动展开并勾选无数细小的层级筛选器;而在 WebMCP 的加持下,用户只需向自己的 AI Agent 提出自然语言要求,Agent 就能代为操作。用户无需逐个填写 input 框,也不用自己找复选框打勾,从而彻底简化了操作门槛。

[12:35](https://www.youtube.com/watch?v=ghJmWQCIHRM&t=755s) 声明式与命令式 API 的实现方式

WebMCP 提出了两种核心实现路径:声明式 API(Declarative API)与命令式 API(Imperative API)。声明式 API 主要面向常规 HTML 表单,开发者只需在原生表单元素上追加少量 HTML 属性,例如 `tool-name` 和 `tool-description`,浏览器就会自动根据表单字段和类型生成对应的 JSON Schema 供 Agent 读取解析。除此之外,它还提供了一系列语义化扩展属性,比如布尔类型的 `agent-invoked` 属性,让开发者能够明确区分当前表单提交到底是由人类用户完成的,还是由 AI Agent 自动化填充触发的。

```mermaid flowchart LR accTitle: WebMCP 声明式与命令式 API 工作流 accDescr: 声明式 API 通过表单属性自动生成 Schema;命令式 API 通过 registerTool 函数手动定义执行逻辑

subgraph Declarative["声明式 API (标准表单)"] D_HTML["原生 HTML 表单 + tool-name 等属性"] --> D_Browser["浏览器内核自动生成 JSON Schema"] D_Browser --> D_Agent["Agent 读取参数并填写提交"] end

subgraph Imperative["命令式 API (复杂多步 UI 流)"] I_Def["registerTool({ name, description, schema })"] --> I_Exec["execute 块 (执行原生 DOM 操作/校验)"] I_Exec --> I_Return["返回执行结果状态给 Agent"] end ```

当面临复杂的多步骤 UI 流程时,就需要采用命令式 API 来定义并注册自定义工具。开发者可以在 JavaScript 中调用 `registerTool` 函数,并传入一个配置对象:首先需要手动编写类似声明式自动生成的 JSON Schema,为工具提供明确且详尽的名称与描述,帮助大模型准确判断调用时机;核心则是 `execute` 代码块,其中运行常规的 JavaScript 代码(例如验证并修剪文本输入、创建新的 DOM 节点挂载到页面上),最后将状态和执行结果回传给 Agent,以便其决定下一步操作。由于现实世界中绝大多数站点都包含复杂的多步骤 UI 交互,命令式 API 在实际工程落地中往往是使用频率更高的方式。

- **声明式 API 适用场景**:标准的 HTML `<form>` 表单,无需编写复杂逻辑,由浏览器负责生成 Schema。 - **声明式专有属性**:提供 `agent-invoked` 等属性以区分人机操作。 - **命令式 API 适用场景**:多步骤流程、异步加载、富交互单页应用(SPA)或需要操作复杂 DOM 状态的场景。 - **命令式 `registerTool` 三要素**:精确的 Tool 描述与名称、参数 JSON Schema、包含 DOM 操作与结果返回的 `execute` 闭包函数。

[15:20](https://www.youtube.com/watch?v=ghJmWQCIHRM&t=920s) 现场演示:三步工具调用完成音乐节门票购买

Tara Agyemang 现场切入了一个名为“Vibe-coded”的音乐节购票 Demo 进行实际演示。为了获得最佳稳定性,她选用了 Gemini 3.1 作为底层驱动模型。演示的目标是为“Summer Vibes Festival”购买两张 VIP 门票,Tara 打趣道:“因为对我来说必须是 VIP(because it's VIP only for me)”。在向 Agent 发送提示词后,整个交互被清晰地拆解成了三次有序的工具调用:

```mermaid flowchart TD accTitle: WebMCP 购票三步调用时序图 accDescr: 演示 Agent 如何在客户端连续调用 search concerts、open concert page 和 purchase ticket 三个工具完成购买

Step1["步骤 1: Agent 识别并调用 search_concerts(name)"] Step1 --> Return1["工具返回音乐节列表及对应 concert ID"] Return1 --> Step2["步骤 2: Agent 调用 open_concert_page(concert_id)"] Step2 --> UI2["浏览器跳转至详情页,注入当前页专属工具"] UI2 --> Step3["步骤 3: Agent 调用 purchase_ticket(quantity=2, section='VIP')"] Step3 --> Finish["页面弹出完成通知: '已花费 £356' 并高亮选中的 VIP 与数量"] ```

在执行过程中,界面展示出了极致的连贯性:第一步调用 `search_concerts` 匹配名称并拿回活动 ID;第二步调用 `open_concert_page` 带着 ID 打开专属详情页,页面随之注入新的可用工具;第三步调用新页面的 `purchase_ticket` 工具,传入数量 `2` 与座位分区 `VIP`,界面随即弹出消费 356 英镑的购买成功提示。Tara 调侃道:“太棒了,这笔钱就记在 Google 的信用卡账上吧(Great, I'll put that on the Google's credit card.)”。她特别强调,开发者在编写工具时必须时刻确保前端 UI 与工具调用状态保持同步,无论是数量下拉框还是 VIP 选项的选中高亮,都应实时反映在页面上,使用户一目了然;而在真实商业网站中,涉及扣款的最后一步结算通常应交由人类用户手动点击确认,以确保资金安全。

[18:10](https://www.youtube.com/watch?v=ghJmWQCIHRM&t=1090s) 当前实验状态与 Chrome 146 配置指南

WebMCP 目前仍处于早期预览阶段(Early Preview),其 API 具有高度的实验性,过去几周一直在持续演进。针对想要尝鲜的开发者,Tara 详细介绍了配置运行环境的具体步骤:

| 步骤 | 操作要求 | 说明与避坑指南 | |:--- |:--- |:--- | | **浏览器选择** | 安装 Chrome 146 或更高版本 | 强烈建议使用 Chrome Canary 分支,避免在主力浏览器的日常环境中强行打开全局实验特性 | | **配置 Flag** | 浏览器地址栏输入特定 URL 启用 WebMCP 测试开关 | 手动将 WebMCP testing flag 切换为 Enabled 并重启浏览器生效 | | **调试工具** | 从 Chrome 网上应用店安装 Model Context Tool Inspector 扩展 | 用于实时调试、查看已注册工具及其 JSON Schema、捕获 Agent 调用日志 | | **文档与社区** | 查阅官方早期预览博客文章并注册 | 注册后可获取初始官方规范、最佳实践指南、高级实现细节与完整 API 参考 | | **开源仓库** | 访问官方 GitHub 资源库 | 包含 Inspector 源码、迷宫(Maze)等 6~7 个官方 Demo 源码,以及评测自身站点的 Evals CLI 命令行工具 |

Tara 热情地向社区发出呼吁:“去尝试一下吧,让我们知道你的想法、遇到的摩擦阻力,或者发现的任何 Bug(So try it out, let us know what you think, if you have any friction points, if you find any bugs.)”,以便 Chrome 团队继续快速迭代该 API,并推动其成为正式的 Web 标准面向所有普通用户。

[20:15](https://www.youtube.com/watch?v=ghJmWQCIHRM&t=1215s) 告别脆弱的屏幕爬取:Web 的 Agent-Ready 时代

在演讲的最后总结中,Tara Agyemang 深刻剖析了当前多模态 Agent 面临的困境。如今 AI Agent 已经深度介入对万维网的使用,但全行业不应该妥协于那些既消耗巨量 Token、又极其脆弱的屏幕抓取(Screen Scraping)、Accessibility Tree 解析和像素级坐标计算流程。

Tara 指出:“相反,我们可以使用 WebMCP 工具将每一个网站转变为面向 Agent 的高性能 API,与此同时,为我们网站的真实人类用户构建令人惊叹的体验(Instead, we can use WebMCP tools to turn every website into a high-performance API for agents, and at the same time, build incredible user experiences for the users of our sites.)”。她号召所有前端工程师与架构师立即行动起来,利用手头的开发工具和上下文文档,从今天开始动手改造现有的网站架构,共同迎接“Agent-Ready”的 Web 新纪元。

## Notable quotes > [02:30](https://www.youtube.com/watch?v=ghJmWQCIHRM&t=150s) So making your site accessible for everyone makes it accessible to AI agents by default. — Tara Agyemang

> [20:15](https://www.youtube.com/watch?v=ghJmWQCIHRM&t=1215s) Instead, we can use WebMCP tools to turn every website into a high-performance API for agents, and at the same time, build incredible user experiences for the users of our sites. — Tara Agyemang

> [03:40](https://www.youtube.com/watch?v=ghJmWQCIHRM&t=220s) And that's because instead of any agent guessing what your website does, you're kind of giving the AI agent a menu of tools that it can use and actions that it can take. — Tara Agyemang

## Mentioned Tara Agyemang, Google, Google Chrome, DeepMind, WebMCP, MCP, Anthropic, Gemini, Gemini 2.5, Gemini 3.1, Model Context Tool Inspector, Chrome Canary, Chrome Web Store, GitHub

## Video description Buying two concert tickets costs an AI agent the entire DOM, the accessibility tree, a screenshot, pixel coordinate math, and then a click that might miss because an ad just loaded and shifted the layout. Tara Agyemang from the Google Chrome team introduces WebMCP, a proposed web standard that replaces that process with structured tools: instead of guessing what your site does, agents get a menu of named, typed, described actions they can call directly.

The talk covers two implementation paths. The declarative API adds a few HTML attributes to existing forms and the browser generates the JSON schema automatically. The imperative API lets you register custom tools in JavaScript for complex multi step flows, with an execute block that runs normal DOM code and returns state back to the agent. The live demo completes a concert ticket purchase in three tool calls: search by name, open the concert page, call purchase with quantity and section. Still experimental and in early preview on Chrome 146, but an eval CLI and inspector extension are available now for testing your own sites.

Speaker info: - https://x.com/tara_ojo - https://uk.linkedin.com/in/taraojo - https://github.com/taraojo

---

Watch along with the corrected transcript, summary, timestamps and resources on this talk's official AIE page: https://ai.engineer/talks/ghJmWQCIHRM-the-agent-ready-web-simplify-user-actions-with-webmcp

Join our upcoming AI Engineer conferences (see https://ai.engineer landing page):

- AIEi Shanghai, November 5–6 — the first for meeting top Chinese labs and engineers - AIE CODE in SF, November 10–12 — the top AI Coding conference returns - AIEi Sydney, December 7–8 — the first AIEi run alongside NeurIPS 2026 in Sydney

---

[Source](https://www.youtube.com/watch?v=ghJmWQCIHRM)

中文简报

谷歌在 Chrome 中测试 WebMCP 以取代 AI Agent 的屏幕抓取 通过 HTML 和 JavaScript 暴露结构化浏览器内置工具,可消除布局偏移导致的失败和视觉抓取产生的 Token 浪费,将实时网页转化为供自主 Agent 直接调用的 API。 Tara Agyemang 概述了自主 AI Agent 在访问专为人类视觉交互设计的现代网站时面临的运行阻碍,例如布局偏移以及消耗大量 Token 的 DOM 解析。她介绍了常被称为“AI Agent 交互的 USB-C”的 WebMCP(Web 模型上下文协议),该协议允许开发者通过声明式 HTML 表单注解或命令式 JavaScript `registerTool` API 暴露客户端功能。通过浏览器迷宫游戏和三步音乐会购票流程的实时演示,她展示了 WebMCP 如何在保持 DOM 状态同步的同时大幅降低 Token 消耗。WebMCP 目前已在 Chrome 146 Canary 中作为早期预览版提供,并配有检查器扩展程序和评测 CLI,旨在奠定基础将网络转变为供 Agent 使用的高性能、确定性 API,同时保留直观的人类控制。 Google Chrome 开发者 Tara Agyemang 介绍了 WebMCP,这是一项拟议的 Web 标准,使网站能够直接向浏览器内 AI Agent 暴露结构化、类型化的客户端工具,从而无需依赖脆弱的 DOM 抓取和基于坐标的点击。 (2:30) WebMCP 提供了两种集成途径:一种是从带有注解的 HTML 表单自动生成 JSON Schema 的声明式 API;另一种是带有 `execute` 代码块的命令式 JavaScript API(`registerTool`),可为复杂的多步骤工作流运行常规 DOM 代码。 (12:30) 与任意将 AI Agent 连接到后端服务器的标准 MCP 不同,WebMCP 专门在活动浏览器会话内针对实时客户端 DOM 执行,同时保持用户界面的视觉同步。 (10:00) WebMCP 目前在 Chrome 146 开始提供实验性早期预览,并由开源评测 CLI、六个参考应用程序以及 Chrome 网上应用店中的 Model Context Tool Inspector 扩展程序提供支持。 (18:00)

精炼阅读摘要

Google Chrome 团队的开发者关系工程师 Tara Agyemang 提出,现有网页依赖视觉截屏与 DOM 坐标计算的智能体(AI Agent)交互方式极为脆弱,而提议中的标准 WebMCP(Web 模型上下文协议)能将网站直接转化为客户端结构化工具集,实现确定性的人机协同操作。 人类导向网页与智能体交互的脆弱性 (0:00) 传统网页开发历来仅针对人类视觉与交互进行设计,而随着越来越多 AI 智能体代表用户执行操作,现存的交互方式暴露出巨大摩擦。在缺少专用接口的情况下,智能体执行票务订购等基础任务时,往往需要经历极其繁琐的多步流程:完整解析 HTML DOM、遍历无障碍树(accessibility tree)、捕获视口截图,再计算点击目标的精确像素坐标并分发模拟点击事件。Agyemang 指出,这一流程不仅消耗巨额的 Token 预算,还极易发生故障——例如页面顶部延迟加载的横幅广告会导致视觉布局瞬时下移,直接致使智能体算出的点击位置偏差而失败。 Web 基础规范与 WebMCP 的客户端工具定位 (2:30) Agyemang 强调,优化语义化 HTML、保障 ARIA 标签等无障碍标准、稳定核心网页指标(Core Web Vitals)以减少累积布局偏移(CLS),是实现“智能体友好”的必要基石,做好无障碍支持即可让智能体默认获益。在这些基础之上,WebMCP 充当了“AI 智能体交互的 USB-C 接口”,它让开发者能够将网站功能以具类型、结构化的工具形式暴露给模型,不再依赖推测性标记解析。与在服务端独立运行的原始 MCP 不同,WebMCP 纯粹聚焦于客户端会话:工具运行在当前已打开的浏览器标签页中,直接操作实时 DOM,适用于航班预订、医疗问卷、税务申报和多条件电商筛选等高摩擦场景。 声明式与命令式两种 API 实现路径 (12:30) WebMCP 为不同复杂度的交互提供了双轨实现方式。针对标准表单元素,开发者可采用声明式 API,仅需在已有 HTML 表单上添加 tool-name 和 tool-description 等属性,浏览器即可自动推断并构建出智能体可读的 JSON Schema;该规范还包含 agent-invoked 等布尔属性,便于后端识别提交究竟来自自动化智能体还是真实人类。针对超越普通表单的复杂多步操作,开发者则需调用 registerTool 函数使用命令式 API。工程师必须编写详尽的自然语言描述与自定义 JSON Schema,以便模型准确识别调用时机,其底层的 execute 代码块运行标准客户端 JavaScript,负责执行参数校验、操作 DOM 节点并向智能体返回结构化状态。 迷宫探索与购票流程中的状态同步及自主循环 (4:55) 在 Chrome 团队开发的迷宫游戏演示中,Gemini 2.5 驱动的智能体通过 Model Context Tool Inspector 扩展动态感知工具范围的更替:初始化调用 start_maze_game 后,可用工具即时切换为 move、look 以及物品操作工具,智能体能将口语化的方向或缩写映射为规范参数,并在目标提示下自主循环执行。在演练三步购票流程时,基于 Gemini 3.1 的智能体先调用 search_concerts 获取演出 ID,再通过 open_concert_page 跳转,最终调用 purchase_ticket 完成预订。Agyemang 特别强调,每个工具调用都必须实时驱动可见界面的状态更新(如高亮所选座位席级),使人类能即时监督;对于实际扣款等关键环节,系统应暂停并交由人工确认。 早期预览限制与开发者测试环境搭建 (18:00) Agyemang 说明 WebMCP 当前仍处于试验性的早期预览阶段,API 规范每周仍在随社区反馈快速迭代,现阶段编写的代码未来可能会发生变更。有意评估的开发者需要使用 Chrome Canary(支持版本为 Chrome 146 及以上),以避免在日常浏览器中修改实验性功能。配置时需在 chrome://flags 中启用专用的 WebMCP 测试标记,并从 Chrome 应用商店安装 Model Context Tool Inspector 扩展进行客户端调试。此外,Google 官方博文与项目 GitHub 仓库已开放早期预览申请,并提供了 6 到 7 个参考演示程序及用于评估自定义站点的评测 CLI 工具。 Agyemang 总结表示,WebMCP 的目标并非将人类完全排除在浏览流程之外,而是通过将网站转化为类型化的智能体 API,建立随时可在人工与自动化之间平滑切换的混合浏览范式;该标准目前仍在征求真实开发反馈,以解决早期漏洞并完善规范设计。

Detailed notes — zh

## Background 该视频由 YouTube 频道 AI Engineer 于 2026 年 6 月 11 日发布。视频内容源自 Google Chrome 团队的 Tara Agyemang 在大会上的演讲,主题是介绍一项全新的 Web 标准提案 WebMCP,旨在通过为 AI 智能体提供结构化的工具菜单,替代以往脆弱且昂贵的屏幕截图与 DOM 逆向解析流程。 ## TL;DR 针对传统网页上 AI 智能体需要解析庞大 DOM、截图并计算像素坐标等高成本且脆弱的交互痛点,Google 提出了全新的客户端标准提案 WebMCP。该协议支持声明式(为原生表单添加 HTML 属性自动生成 Schema)和命令式(在 JavaScript 中注册工具并执行 DOM 操作)两种开发方式,使智能体能够像调用 API 一样直接执行页面动作。演讲通过迷宫游戏与三步购票演示,展现了动态工具作用域、状态同步以及人机协同浏览的无缝体验,并号召前端开发者基于 Chrome 146 预览版与官方 Inspector 插件开始构建“智能体就绪”的下一代网页。 ## Atmosphere & style 整场演讲兼具极客趣味与前沿技术大会的务实风格,Tara Agyemang 的台风风趣从容且充满感染力。她用生动的幽默吐槽了前端广告突然加载导致点击落空等开发者普遍感同身受的尴尬场景,随后在迷宫游戏和一键购票的实机演示中将现场气氛推向高潮。听众能强烈感受到一种前端技术范式正面临深刻重塑的兴奋感与紧迫感,整个交流过程务实而富有启发性。 ## Bulletin - [03:40](https://www.youtube.com/watch?v=ghJmWQCIHRM&t=220s) Google Chrome 团队联合 DeepMind 提出全新的 Web 标准提案 WebMCP(Web 模型上下文协议),旨在通过向 AI 智能体暴露具名、类型化且结构化的工具菜单,彻底取代高开销、易出错的 DOM 解析、视口截图与绝对像素坐标点击流程。 - [12:35](https://www.youtube.com/watch?v=ghJmWQCIHRM&t=755s) WebMCP 专注于客户端交互,提供声明式(Declarative)与命令式(Imperative)两种 API:前者在原生 HTML 表单追加属性自动生成 JSON Schema,后者在 JavaScript 中利用 registerTool 定义包含原生 DOM 操作与状态回传的复杂多步骤 UI 执行流。 - [15:20](https://www.youtube.com/watch?v=ghJmWQCIHRM&t=920s) 在现场演示中,Gemini 驱动的客户端智能体仅凭 3 次连续工具调用即全自动完成了音乐节门票的搜索、详情页导航与规格下单,期间前端 UI 状态实时同步高亮。 - [18:10](https://www.youtube.com/watch?v=ghJmWQCIHRM&t=1090s) WebMCP 目前在 Chrome 146(建议使用 Canary 分支)中开启早期预览,配套的 Model Context Tool Inspector 浏览器调试扩展、Evals CLI 命令行评测工具以及多款示例代码已在 GitHub 和 Chrome 网上应用店公开。 ## Key takeaways - [00:00](https://www.youtube.com/watch?v=ghJmWQCIHRM&t=0s) 传统网页是围绕人类视觉与交互习惯构建的,AI 智能体在现有网页上执行简单动作需要解析 DOM 树、无障碍树、截图甚至精密计算像素偏移,计算开销巨大且极具脆弱性。 - [00:00](https://www.youtube.com/watch?v=ghJmWQCIHRM&t=0s) 基于视口截图与坐标计算的自动化交互极易受动态因素干扰,例如异步加载的广告条引发的页面重排(Layout Shift)会导致计算出的物理点击坐标彻底落空。 - [02:30](https://www.youtube.com/watch?v=ghJmWQCIHRM&t=150s) WebMCP 并不是修复低劣前端工程的银弹;语义化 HTML、稳健的无障碍规范(ARIA)以及优秀的核心网页指标(Core Web Vitals)是网站实现“智能体就绪(Agent-ready)”不可逾越的前提。 - [03:40](https://www.youtube.com/watch?v=ghJmWQCIHRM&t=220s) WebMCP 被视作 AI 智能体交互领域的“USB-C 接口”,它让网站从让 Agent 盲猜逆向转变为主动向其呈递明确的功能清单与参数描述。 - [04:40](https://www.youtube.com/watch?v=ghJmWQCIHRM&t=280s) WebMCP 工具具备动态作用域(Dynamic Scoping)特性,可随着网页生命周期和业务上下文的迁移(如从首页进入游戏或详情页)动态注册与销毁可用工具集。 - [04:40](https://www.youtube.com/watch?v=ghJmWQCIHRM&t=280s) 通过结构化入参和多步循环编排,智能体能将自然语言甚至简写口令精准映射为函数参数,无需借助屏幕坐标反推即可自主循环调用工具达成最终目标。 - [08:50](https://www.youtube.com/watch?v=ghJmWQCIHRM&t=530s) WebMCP 赋能了一种人机流动的“协同浏览(Co-browsing)”新范式,用户可以在人工操作与 Agent 代劳多步繁琐表单之间随时无缝交接控制权。 - [10:00](https://www.youtube.com/watch?v=ghJmWQCIHRM&t=600s) 与 Anthropic 主打服务端应用连接的 MCP 不同,WebMCP 类似于客户端特化的“MCP Tools”实现,专门面向运行中的浏览器窗口、DOM 操作与前端交互。 - [12:35](https://www.youtube.com/watch?v=ghJmWQCIHRM&t=755s) 声明式 API 针对标准 HTML 表单设计,通过追加 tool-name、tool-description 及 agent-invoked 等属性,由浏览器内核直接编译出对应的 JSON Schema。 - [12:35](https://www.youtube.com/watch?v=ghJmWQCIHRM&t=755s) 命令式 API 采用 registerTool 机制,允许前端工程师用原生 JavaScript 编写 execute 闭包以执行复杂的 DOM 变更,并将结果状态反馈给大模型,是多步富交互应用的核心落地形态。 - [15:20](https://www.youtube.com/watch?v=ghJmWQCIHRM&t=920s) 在设计 WebMCP 工具时,保持前端 UI 与工具执行状态的即时可视同步至关重要,而在实际商业落地中,资金扣款等敏感动作建议保留给人工最终确认。 - [18:10](https://www.youtube.com/watch?v=ghJmWQCIHRM&t=1090s) WebMCP 正在以 Web 标准为目标快速演进,官方通过 Inspector 扩展、Evals 评测套件和开源 Demo 广泛征集开发者在实际站点集成中的摩擦阻力与反馈。 - [20:15](https://www.youtube.com/watch?v=ghJmWQCIHRM&t=1215s) 未来的 Web 架构应当跳过粗暴低效的屏幕抓取(Screen Scraping),通过 WebMCP 将各类网站转化为对 Agent 友好的高性能客户端 API。 ## Detailed walkthrough ### [00:00](https://www.youtube.com/watch?v=ghJmWQCIHRM&t=0s) 人类与智能体共存的网络:AI 在传统网页上的高昂代价 来自 Google Chrome 团队的开发者关系工程师 Tara Agyemang 登台开场。她与来自 Google Chrome 以及 DeepMind 团队的同事一同出席,当前的核心研究方向正是 Web 与 AI 的交叉融合领域。Tara 指出,过去几十年间,开发者构建和优化万维网的所有标准几乎都是围绕人类的眼睛和操作习惯展开的。然而当下时代已经改变,网络的使用者不再只有人类,代表用户在网络上执行各类操作的 AI 智能体(Agents)数量正在急剧增长。但现实情况是,现有的网页架构对智能体极不友好,它们为了完成极其微小的操作往往需要付出巨大的计算开销。 Tara 以自己“vibe-coded”(AI 辅助编写)的一个音乐节门票销售网站为例,配合 Chrome 侧边栏的 Gemini 智能体进行演示。假设用户向智能体发出指令:“购买两张 Afrobeats 音乐节门票”,并提供了相关信息。在现有的常规机制下,智能体必须经历一连串极其繁重且脆弱的处理流程:首先它通常需要解析页面的完整 DOM 树以理解当前内容;接着读取无障碍树(Accessibility Tree)来推断页面元素的语义与骨架;如果有些元素在代码中无法清晰分辨,它往往还要对当前视口截屏并进行视觉分析;随后,智能体必须在屏幕空间内精密计算像素坐标——目标按钮在横向与纵向各偏离多少像素;最后才能模拟光标点击该坐标。 这一过程不仅消耗了难以计数的上下文 Token,而且极其容易发生不可逆的错误。Tara 特别生动地吐槽了一个经典的前端场景:历经千辛万苦计算好像素之后,页面顶部突然异步加载出一条广告横幅,瞬间将下方所有正文内容挤了下去,导致原本算好的坐标彻底偏移,智能体最终精准地点空。谈及智能体现阶段在传统网页上的处境,Tara 总结道:“The problem is... the agents are having to do so much work to do simple actions on the sites that we've built.”(问题在于……在我们构建的网站上,智能体光是执行一些简单操作就不得不做太多的无用功。)随后她感叹这种脆弱的现状:“And as you can see, this process is quite long. It can be brittle and I don't even want to guess at how many tokens you probably just use trying to do this.” ```mermaid flowchart TD accTitle: 传统网页上 AI 智能体执行点击操作的脆弱流程 subgraph S1["页面理解与解析"] A["获取并解析完整 DOM 树"] --> B["分析无障碍树 Accessibility Tree"] B --> C["捕获页面完整屏幕截图"] end subgraph S2["视觉与坐标计算"] C --> D["视觉模型匹配目标元素"] D --> E["计算绝对像素偏移量坐标"] end subgraph S3["执行交互与意外故障"] E --> F["尝试物理模拟点击坐标"] G["顶部异步广告突然加载并挤压布局"] -.->|"布局偏移 Layout Shift"| F F --> H["点击落空/操作失败"] end ``` - **解析开销巨大**:智能体为了定位操作入口,必须把庞大的 DOM 结构与无障碍树当作文本塞入上下文窗口。 - **视觉计算脆弱**:基于截图分析与像素坐标推演点击位置,计算耗时且高度依赖视口尺寸。 - **动态干扰风险**:网络延迟、异步广告加载导致的页面重排(Layout Shift)会导致绝对坐标失效。 --- ### [02:30](https://www.youtube.com/watch?v=ghJmWQCIHRM&t=150s) Web 基础规范:走向“智能体就绪”的第一步 在深入介绍新的 Web 标准之前,Tara 澄清了一个重要的认知误区:不要把 WebMCP 视作解救糟糕前端代码的“银弹”。想要让网站具备“智能体就绪”(Agent-ready)的能力,首先必须打好网页的基础根基。如果一个网站对人类用户而言难用、结构混乱、充满无障碍缺陷,那么它对 AI 智能体来说同样会是一场灾难。 Tara 强调,为全人类构建无障碍网站,本质上就会让网站在默认情况下对 AI 智能体更加友好。语义化的 HTML(Semantic HTML)能让 DOM 自身携带清晰的业务含义;健全的无障碍标准(Accessibility Standards)能让智能体不借助图像也能精确理解树状层级;优秀的页面加载性能与核心网页指标(Core Web Vitals)可以极大减少页面布局抖动和元素延迟渲染带来的识别偏差;清晰流畅的用户流程则能降低交互路径的复杂度。只有当这些基础稳固建立之后,引入更高阶的协议才有实际意义。Tara 明确表示:“So making your site accessible for everyone makes it accessible to AI agents by default.”(因此,让你的网站对所有人无障碍,在默认情况下就会使它对 AI 智能体无障碍。) - **语义化 HTML**:使用标准的 `<form>`、`<button>`、`<nav>` 等标签,而非滥用没有任何语义的 `<div>`。 - **稳健的无障碍规范**:规范的 ARIA 属性和层次结构不仅服务于屏幕阅读器,也是大模型理解页面控件的直观依据。 - **核心性能指标(Core Web Vitals)**:降低累积布局偏移(CLS)并提升响应速度,使页面状态对智能体保持确定性。 --- ### [03:40](https://www.youtube.com/watch?v=ghJmWQCIHRM&t=220s) 什么是 WebMCP:AI 智能体交互的“USB-C” 有了扎实的 Web 基础作为支撑,Google Chrome 团队提出了 Web 模型上下文协议——WebMCP(Web Model Context Protocol)。这是一项旨在成为 Web 标准的全新提案,其核心目标是让开发者能够将自身网站的业务能力,直接定义为供 AI 智能体调用的“结构化工具”(Structured Tools)。 业界常将 WebMCP 形象地比作“AI 智能体交互领域的 USB-C 接口”。以往,智能体进入一个网站就像盲人摸象,只能靠猜想、推理和试探来摸索这个网站能做什么、哪个按钮代表什么含义;而 WebMCP 则彻底颠覆了这种交互方式,网站主动向智能体呈递一份标准化的“工具菜单”,清晰列出当前页面支持的所有操作、入参类型及其具体描述。智能体只需要根据用户意图直接选择工具并发起调用,从而在根本上跳过了抓取 DOM、计算像素和模拟点击的泥潭。正如 Tara 所解释的:“And that's because instead of any agent guessing what your website does, you're kind of giving the AI agent a menu of tools that it can use and actions that it can take.”(这是因为,你不再需要让智能体去瞎猜你的网站具备什么功能,而是相当于直接向 AI 智能体提供了一份包含可用工具与可执行操作的菜单。)因此,WebMCP 显著提升了智能体在网页上导航和履约的运行效率与执行可靠性。 --- ### [04:40](https://www.youtube.com/watch?v=ghJmWQCIHRM&t=280s) 实机演示:用迷宫游戏体验 WebMCP 与 Inspector 插件 为了直观展示 WebMCP 的运行逻辑,Tara 在现场展示了由 Chrome 开发者关系团队构建的“迷宫逃脱游戏”(Maze Escape Game),并在浏览器侧边栏打开了团队专门配套开发的扩展程序——Model Context Tool Inspector(模型上下文工具检查器)。该扩展程序能够实时监听并列出当前网页注册在全局范围内的所有 WebMCP 工具。有趣的是,这款迷宫游戏在前端 UI 上甚至没有提供任何可以让用户点击行走的图形按钮,它完全依赖 AI 工具调用来进行探索与交互。 ```mermaid flowchart LR accTitle: WebMCP 迷宫逃脱游戏中的动态工具作用域演变 subgraph G1["首页初始状态"] T1["工具:Start Game"] end subgraph G2["游戏进行中状态"] T2["移动工具:Move (N/S/E/W)"] T3["感知工具:Look"] T4["物品交互工具:Pick / Drop / Use"] end T1 -->|"调用启动游戏,页面上下文切换"| G2 ``` 在演示中,侧边栏模型选用的是 Gemini 2.5。在游戏首页,Inspector 插件只识别到一个名为 `start_maze_game` 的工具。当 Tara 输入提示词“start a new maze game”后,Gemini 命中并直接调用了启动工具,底层服务返回迷宫初始状态,页面随即渲染出迷宫地图。此时 Inspector 侧边栏的“工具作用域”(Scope)瞬间发生了动态变化:原本的启动工具消失,取而代之的是一组专门针对迷宫探索的新工具集,包括支持东南西北四个方向的 `Move` 工具、用于探测当前周围开放通道的 `Look` 工具,以及 `Pick up`、`Drop`、`Use` 等道具操作工具。 随后 Tara 展示了自然语言如何被无缝翻译成结构化的工具参数。输入“move down then right”,智能体准确解析出移动顺序,将人类语言映射为对应的方位参数并依序调用 `Move` 工具。智能体不仅支持口语化指令,还能理解极简缩写,例如输入“right, up, R”(R 即代表 Right),智能体依然能精确识别缩写含义并调用工具。更进一步,Tara 直接输入了高度抽象的目标指令“complete the maze”。借助智能体循环机制,AI 开始自主持续调用工具组在迷宫中穿梭探索、拾取并使用道具。Tara 坦言该指令虽然不是最优解,智能体有时会走回头路,但只要给提示词补充关键约束(例如告知“终点位于右下角”),智能体就能根据工具集返回的状态高效规划最优路径。演示期间,Tara 评价大模型的理解与自主性时指出:“And because it's an AI agent, it can just keep repeating the same tool calls until it thinks that it's done what needs to be done.”(正因为它是 AI 智能体,它能够不断重复发起相同的工具调用,直至它认为已经达成了预定目标。) - **动态作用域机制**:WebMCP 工具不会一股脑全部抛出,而是跟随当前页面的生命周期和业务上下文动态暴露与注销。 - **免除 UI 逆向工程**:智能体无需在迷宫网格中寻找像素坐标,只需像调用函数一样传递 `{"direction": "south"}` 参数即可完成移动。 - **多步自主编排**:面对宏观任务目标,智能体能够结合工具的返回值作为上下文,在同一个会话内链式调用多个工具自主破局。 --- ### [08:50](https://www.youtube.com/watch?v=ghJmWQCIHRM&t=530s) 人机协作的新范式:无缝交接控制权 在演示的收尾阶段,Tara 重新切换回幻灯片,向观众介绍了刚才演示中所使用的 Model Context Tool Inspector 插件。该工具由 Chrome 开发者关系团队自主打造,开发者和用户可以直接在 Chrome 网上应用店(Chrome Web Store)免费下载安装,用于检查和调试任何支持 WebMCP 的网站。 更深层次地看,WebMCP 不仅仅是一项面向自动化的后端通信协议,它实质上开启了一种全新的网络冲浪哲学——即用户、网页与智能体之间流动的“协同浏览”(Co-browsing)新体验。在以往,用户面对复杂、冗长或繁琐的企业级网站往往需要耗费大量时间去研究界面逻辑与操作流;而在 WebMCP 的加持下,控制权可以在人和 AI 之间无缝切换。用户可以像往常一样自己正常点击浏览,当遇到批量、重复或逻辑复杂的环节时,直接把控制权交接给侧边栏的 AI 智能体,让其代表自己调用工具执行多步操作;在任何需要的时刻,用户又可以随时介入重新接管网页,继续传统的人工浏览。Tara 这样描绘未来的 Web 交互蓝图:“Essentially, WebMCP kind of unlocks this new approach to using the web where your users don't have to spend a lot of time trying to figure out how to use more complicated sites and they can figure out their own workflow.”(从本质上讲,WebMCP 开启了这种使用网络的全新方式:用户无需再耗费大量时间去费力弄清楚如何操作那些复杂的网站,他们可以自由定义属于自己的工作流。) ### [10:00](https://www.youtube.com/watch?v=ghJmWQCIHRM&t=600s) WebMCP 与传统 MCP 的区别及客户端使用场景 为用户简化复杂的操作流程、让在线旅程更加轻松,正是这项新 Web 标准引发广泛兴趣和兴奋的核心原因。针对许多人关心的疑问——WebMCP 与 Anthropic 提出的 MCP(Model Context Protocol)究竟有何区别,两者实际上是高度互补的关系。MCP 主要赋能 AI Agent 在服务端连接应用程序,开发者需要搭建自己的服务器供 Agent 访问,Agent 随后便能随时随地获取数据;而 WebMCP 则是受到了 MCP 的启发,其关系类似于 JavaScript 之于 Java,“WebMCP 是 MCP 中工具(Tools)部分的实现”。WebMCP 允许前端工程师直接向浏览器内的 AI Agent 提供工具,完全针对客户端特性而设计,运行的前提是用户的浏览器窗口必须处于打开状态。 ```mermaid flowchart TD accTitle: MCP 与 WebMCP 架构对比 accDescr: 展示服务端 MCP 与客户端 WebMCP 在运行环境与交互模式上的区别 subgraph ServerSide["服务端 MCP (Model Context Protocol)"] S_Agent["AI Agent"] -->|"网络调用"| S_Server["自建 MCP 服务器"] S_Server -->|"API 数据集成"| S_App["后端服务 / 数据库"] end subgraph ClientSide["客户端 WebMCP (浏览器端)"] C_Agent["浏览器内 AI Agent"] -->|"直接调用工具"| C_Browser["当前浏览器窗口 (DOM/UI)"] C_Browser -->|"执行 JS / 填充表单"| C_Site["复杂前端应用 (电商/机票/政企表单)"] end ``` 在日常生活中,许多网站的操作极其繁琐,例如订机票、电商网站多条件筛选商品、填写医疗或复杂的财务表格,或是触发页面上隐藏的特定修复操作。Tara Agyemang 举了一个贴近日常的例子:在普通网购站点上,用户只想买一个能装下手机的“黑色仿皮手拿包(black faux leather clutch bag)”,在传统模式下必须手动展开并勾选无数细小的层级筛选器;而在 WebMCP 的加持下,用户只需向自己的 AI Agent 提出自然语言要求,Agent 就能代为操作。用户无需逐个填写 input 框,也不用自己找复选框打勾,从而彻底简化了操作门槛。 ### [12:35](https://www.youtube.com/watch?v=ghJmWQCIHRM&t=755s) 声明式与命令式 API 的实现方式 WebMCP 提出了两种核心实现路径:声明式 API(Declarative API)与命令式 API(Imperative API)。声明式 API 主要面向常规 HTML 表单,开发者只需在原生表单元素上追加少量 HTML 属性,例如 `tool-name` 和 `tool-description`,浏览器就会自动根据表单字段和类型生成对应的 JSON Schema 供 Agent 读取解析。除此之外,它还提供了一系列语义化扩展属性,比如布尔类型的 `agent-invoked` 属性,让开发者能够明确区分当前表单提交到底是由人类用户完成的,还是由 AI Agent 自动化填充触发的。 ```mermaid flowchart LR accTitle: WebMCP 声明式与命令式 API 工作流 accDescr: 声明式 API 通过表单属性自动生成 Schema;命令式 API 通过 registerTool 函数手动定义执行逻辑 subgraph Declarative["声明式 API (标准表单)"] D_HTML["原生 HTML 表单 + tool-name 等属性"] --> D_Browser["浏览器内核自动生成 JSON Schema"] D_Browser --> D_Agent["Agent 读取参数并填写提交"] end subgraph Imperative["命令式 API (复杂多步 UI 流)"] I_Def["registerTool({ name, description, schema })"] --> I_Exec["execute 块 (执行原生 DOM 操作/校验)"] I_Exec --> I_Return["返回执行结果状态给 Agent"] end ``` 当面临复杂的多步骤 UI 流程时,就需要采用命令式 API 来定义并注册自定义工具。开发者可以在 JavaScript 中调用 `registerTool` 函数,并传入一个配置对象:首先需要手动编写类似声明式自动生成的 JSON Schema,为工具提供明确且详尽的名称与描述,帮助大模型准确判断调用时机;核心则是 `execute` 代码块,其中运行常规的 JavaScript 代码(例如验证并修剪文本输入、创建新的 DOM 节点挂载到页面上),最后将状态和执行结果回传给 Agent,以便其决定下一步操作。由于现实世界中绝大多数站点都包含复杂的多步骤 UI 交互,命令式 API 在实际工程落地中往往是使用频率更高的方式。 - **声明式 API 适用场景**:标准的 HTML `<form>` 表单,无需编写复杂逻辑,由浏览器负责生成 Schema。 - **声明式专有属性**:提供 `agent-invoked` 等属性以区分人机操作。 - **命令式 API 适用场景**:多步骤流程、异步加载、富交互单页应用(SPA)或需要操作复杂 DOM 状态的场景。 - **命令式 `registerTool` 三要素**:精确的 Tool 描述与名称、参数 JSON Schema、包含 DOM 操作与结果返回的 `execute` 闭包函数。 ### [15:20](https://www.youtube.com/watch?v=ghJmWQCIHRM&t=920s) 现场演示:三步工具调用完成音乐节门票购买 Tara Agyemang 现场切入了一个名为“Vibe-coded”的音乐节购票 Demo 进行实际演示。为了获得最佳稳定性,她选用了 Gemini 3.1 作为底层驱动模型。演示的目标是为“Summer Vibes Festival”购买两张 VIP 门票,Tara 打趣道:“因为对我来说必须是 VIP(because it's VIP only for me)”。在向 Agent 发送提示词后,整个交互被清晰地拆解成了三次有序的工具调用: ```mermaid flowchart TD accTitle: WebMCP 购票三步调用时序图 accDescr: 演示 Agent 如何在客户端连续调用 search concerts、open concert page 和 purchase ticket 三个工具完成购买 Step1["步骤 1: Agent 识别并调用 search_concerts(name)"] Step1 --> Return1["工具返回音乐节列表及对应 concert ID"] Return1 --> Step2["步骤 2: Agent 调用 open_concert_page(concert_id)"] Step2 --> UI2["浏览器跳转至详情页,注入当前页专属工具"] UI2 --> Step3["步骤 3: Agent 调用 purchase_ticket(quantity=2, section='VIP')"] Step3 --> Finish["页面弹出完成通知: '已花费 £356' 并高亮选中的 VIP 与数量"] ``` 在执行过程中,界面展示出了极致的连贯性:第一步调用 `search_concerts` 匹配名称并拿回活动 ID;第二步调用 `open_concert_page` 带着 ID 打开专属详情页,页面随之注入新的可用工具;第三步调用新页面的 `purchase_ticket` 工具,传入数量 `2` 与座位分区 `VIP`,界面随即弹出消费 356 英镑的购买成功提示。Tara 调侃道:“太棒了,这笔钱就记在 Google 的信用卡账上吧(Great, I'll put that on the Google's credit card.)”。她特别强调,开发者在编写工具时必须时刻确保前端 UI 与工具调用状态保持同步,无论是数量下拉框还是 VIP 选项的选中高亮,都应实时反映在页面上,使用户一目了然;而在真实商业网站中,涉及扣款的最后一步结算通常应交由人类用户手动点击确认,以确保资金安全。 ### [18:10](https://www.youtube.com/watch?v=ghJmWQCIHRM&t=1090s) 当前实验状态与 Chrome 146 配置指南 WebMCP 目前仍处于早期预览阶段(Early Preview),其 API 具有高度的实验性,过去几周一直在持续演进。针对想要尝鲜的开发者,Tara 详细介绍了配置运行环境的具体步骤: | 步骤 | 操作要求 | 说明与避坑指南 | |:--- |:--- |:--- | | **浏览器选择** | 安装 Chrome 146 或更高版本 | 强烈建议使用 Chrome Canary 分支,避免在主力浏览器的日常环境中强行打开全局实验特性 | | **配置 Flag** | 浏览器地址栏输入特定 URL 启用 WebMCP 测试开关 | 手动将 WebMCP testing flag 切换为 Enabled 并重启浏览器生效 | | **调试工具** | 从 Chrome 网上应用店安装 Model Context Tool Inspector 扩展 | 用于实时调试、查看已注册工具及其 JSON Schema、捕获 Agent 调用日志 | | **文档与社区** | 查阅官方早期预览博客文章并注册 | 注册后可获取初始官方规范、最佳实践指南、高级实现细节与完整 API 参考 | | **开源仓库** | 访问官方 GitHub 资源库 | 包含 Inspector 源码、迷宫(Maze)等 6~7 个官方 Demo 源码,以及评测自身站点的 Evals CLI 命令行工具 | Tara 热情地向社区发出呼吁:“去尝试一下吧,让我们知道你的想法、遇到的摩擦阻力,或者发现的任何 Bug(So try it out, let us know what you think, if you have any friction points, if you find any bugs.)”,以便 Chrome 团队继续快速迭代该 API,并推动其成为正式的 Web 标准面向所有普通用户。 ### [20:15](https://www.youtube.com/watch?v=ghJmWQCIHRM&t=1215s) 告别脆弱的屏幕爬取:Web 的 Agent-Ready 时代 在演讲的最后总结中,Tara Agyemang 深刻剖析了当前多模态 Agent 面临的困境。如今 AI Agent 已经深度介入对万维网的使用,但全行业不应该妥协于那些既消耗巨量 Token、又极其脆弱的屏幕抓取(Screen Scraping)、Accessibility Tree 解析和像素级坐标计算流程。 Tara 指出:“相反,我们可以使用 WebMCP 工具将每一个网站转变为面向 Agent 的高性能 API,与此同时,为我们网站的真实人类用户构建令人惊叹的体验(Instead, we can use WebMCP tools to turn every website into a high-performance API for agents, and at the same time, build incredible user experiences for the users of our sites.)”。她号召所有前端工程师与架构师立即行动起来,利用手头的开发工具和上下文文档,从今天开始动手改造现有的网站架构,共同迎接“Agent-Ready”的 Web 新纪元。 ## Notable quotes > [02:30](https://www.youtube.com/watch?v=ghJmWQCIHRM&t=150s) So making your site accessible for everyone makes it accessible to AI agents by default. — Tara Agyemang > [20:15](https://www.youtube.com/watch?v=ghJmWQCIHRM&t=1215s) Instead, we can use WebMCP tools to turn every website into a high-performance API for agents, and at the same time, build incredible user experiences for the users of our sites. — Tara Agyemang > [03:40](https://www.youtube.com/watch?v=ghJmWQCIHRM&t=220s) And that's because instead of any agent guessing what your website does, you're kind of giving the AI agent a menu of tools that it can use and actions that it can take. — Tara Agyemang ## Mentioned Tara Agyemang, Google, Google Chrome, DeepMind, WebMCP, MCP, Anthropic, Gemini, Gemini 2.5, Gemini 3.1, Model Context Tool Inspector, Chrome Canary, Chrome Web Store, GitHub ## Video description Buying two concert tickets costs an AI agent the entire DOM, the accessibility tree, a screenshot, pixel coordinate math, and then a click that might miss because an ad just loaded and shifted the layout. Tara Agyemang from the Google Chrome team introduces WebMCP, a proposed web standard that replaces that process with structured tools: instead of guessing what your site does, agents get a menu of named, typed, described actions they can call directly. The talk covers two implementation paths. The declarative API adds a few HTML attributes to existing forms and the browser generates the JSON schema automatically. The imperative API lets you register custom tools in JavaScript for complex multi step flows, with an execute block that runs normal DOM code and returns state back to the agent. The live demo completes a concert ticket purchase in three tool calls: search by name, open the concert page, call purchase with quantity and section. Still experimental and in early preview on Chrome 146, but an eval CLI and inspector extension are available now for testing your own sites. Speaker info: - https://x.com/tara_ojo - https://uk.linkedin.com/in/taraojo - https://github.com/taraojo --- Watch along with the corrected transcript, summary, timestamps and resources on this talk's official AIE page: https://ai.engineer/talks/ghJmWQCIHRM-the-agent-ready-web-simplify-user-actions-with-webmcp Join our upcoming AI Engineer conferences (see https://ai.engineer landing page): - AIEi Shanghai, November 5–6 — the first for meeting top Chinese labs and engineers - AIE CODE in SF, November 10–12 — the top AI Coding conference returns - AIEi Sydney, December 7–8 — the first AIEi run alongside NeurIPS 2026 in Sydney --- [Source](https://www.youtube.com/watch?v=ghJmWQCIHRM)

Source quotes

[2:30] Tara Agyemang: So making your site accessible for everyone makes it accessible to AI agents by default. [20:15] Tara Agyemang: Instead, we can use WebMCP tools to turn every website into a high-performance API for agents, and at the same time, build incredible user experiences for the users of our sites. [3:40] Tara Agyemang: And that's because instead of any agent guessing what your website does, you're kind of giving the AI agent a menu of tools that it can use and actions that it can take.