用途：通过 Midscene Chrome 扩展的 Bridge 模式自动化用户真实 Chrome 浏览器，保留 Cookie、会话与登录状态。AI 智能体充当大脑，依据截图决定下一步操作，全程不依赖 DOM 或无障碍标签。
主要能力：单次 act 调用内可完成点击、右键、双击、悬停、输入或清空文本、按键、滚动、拖拽、长按，并可在真实会话中连续执行多步页面流程；启用触摸输入时还支持滑动或捏合类交互。
使用方式：命令格式为 npx @midscene/web@1 --bridge <subcommand> [args]，--bridge 为必需参数。常用子命令：connect --url 连接页面、take_screenshot 截图、act --prompt 执行自然语言指令、disconnect 断开。需配置 MIDSCENE_MODEL_API_KEY、MIDSCENE_MODEL_NAME、MIDSCENE_MODEL_BASE_URL、MIDSCENE_MODEL_FAMILY 等环境变量，可写入当前目录 .env。
关键限制：命令必须同步执行，禁止后台运行；一次只运行一条命令，等待完成并读取截图后再决定下一步；每条命令约需 1 分钟，复杂 act 更久。任务完成后必须主动汇报结果，包括关键数据、已完成操作、截图路径与发现。仅在整体任务完全结束时才 disconnect，多轮对话中可保持连接。
适用场景：需要登录态的真实网页操作、表单填写、下拉选择、多步页面流程等视觉驱动自动化任务。
故障排查：连接失败时检查 Chrome 是否打开、Midscene 扩展是否安装启用且 bridge mode 显示 Listening；页面加载慢时先截图确认就绪；截图路径为本地绝对路径，可用 Read 工具查看。模型需具备强视觉定位能力，常用模型包括 Doubao Seed 2.0 Lite、Qwen 3.5、Zhipu GLM-4.6V、Gemini-3-Pro、Gemini-3-Flash。