说实话，每次有人问我"市面上已经有 Monica、Sider、Copilot for Chrome 这些 AI 浏览器插件了，你为什么还要再做一个"，我都觉得这个问题问得好。

因为我自己也是从用户变成开发者的。

现有产品的天花板
我用过不少 AI 浏览器插件。刚开始觉得都挺好——选中一段文字，弹出解释；写邮件时帮你润色；看英文网页给你翻译摘要。但用久了你会发现，它们本质上都是同一类东西：一个带网页上下文的聊天框。

它们能读取页面的文本，然后把文本丢给大模型，再返回一段回答。仅此而已。

这当然有用，但总觉得差点意思。比如我在一个后台管理系统里，需要填50个表单字段，每个字段还有联动逻辑；比如我想让 AI 帮我把一个网页上的表格数据整理导出；比如我想让 AI 帮我点完一个多步骤的审批流程。这些场景里，"读页面文本"远远不够——我需要 AI 能真正去操作浏览器。

能点击按钮、能填写表单、能切换标签页、能管理书签和历史记录。不是给我一段操作指南让我自己去点，是 AI 自己去执行。

市面上的产品，大多数做不到。或者说，做到了也不开源。

AI Helper 想做的事
AI Helper 的核心定位很简单：让 AI 真正成为浏览器的一部分，而不是一个访客。

怎么理解这个区别？

访客模式：AI 通过 API 读取页面内容，生成回答，展示在侧边栏。用户看完回答，自己决定下一步做什么。AI 不参与执行。

参与模式：AI 不仅理解页面，还能直接操作页面。你说"帮我把这个表格里的数据导出成 CSV"，AI 就去定位表格、提取数据、生成文件、触发下载。中间的多步推理和工具调用，由 ReAct 推理循环自主完成。

AI Helper 走的是第二条路。它内置了 44 个工具，覆盖页面交互、表单操作、内容提取、标签页管理、书签历史、存储管理、网络请求、媒体输出、AI 协作等十多个类别。模型通过 ReAct 循环自主决定调用哪些工具、按什么顺序执行，中间还会做三级反思——工具级反思、子任务反思、主循环后置反思——确保执行质量。

更进一步，浏览器沙箱终究有边界。有些操作——比如读写本地文件、执行系统命令——浏览器扩展本身做不了。AI Helper 提供了一个可选的 Node.js Agent 服务，连上之后 AI 就能突破沙箱，操作你的本地文件系统，甚至执行命令行工具。这个能力是可选的，默认关闭，需要你主动安装和授权。

为什么必须开源
除了功能定位，还有一个更根本的问题：数据安全。

市面上大多数 AI 浏览器插件是闭源的。你的 API Key、你浏览的页面内容、你的对话历史，都要经过它们的服务器。你不知道数据在中间经过了什么处理，存了多久，有没有被用于训练。你只能选择信任。

我不太想信任。

AI Helper 是 MIT 许可证开源的。你的 API Key 直接发送给模型厂商（默认 DeepSeek V4 Pro，也支持任何 OpenAI 兼容接口），中间没有任何第三方服务器。所有的对话历史、会话数据都存在你本地的 IndexedDB 里。代码全部公开，你可以审查每一行逻辑，也可以自行部署、自行定制。

这不是什么技术突破，就是一个态度问题：用户的数据，应该由用户自己掌控。

不是要替代谁
我不想把 AI Helper 包装成"碾压一切"的产品。Monica、Sider 这些产品有它们的用户群和产品哲学，做得也很好。AI Helper 不是要替代它们，而是填补一个空白：一个真正能操作浏览器的开源 AI Agent。

这个定位决定了它的受众比较明确——你需要 AI 不只是帮你"看"网页，还要帮你"做"事情；你关心数据隐私，希望代码可审计；你有一定的技术背景，愿意花时间配置和调优。

务实的心态
开发 AI Helper 的过程让我学到一件事：不要追求大而全，先把自己需要的功能做扎实。

44 个工具不是一开始就规划好的，而是在实际使用中一个个加上去的。最开始只有基本的页面读取和对话功能，后来发现需要填表单，加了表单工具；需要批量操作标签页，加了标签页管理；需要处理本地文件，加了 Agent 服务。ReAct 循环、反思系统、Token 预算管理、多智能体、Skill 系统、MCP 扩展，每一个都是在解决实际问题的过程中长出来的。

开源项目最怕的不是功能少，而是功能多但没有一个能用得顺手。所以我更倾向于：先确保核心路径跑通、跑稳，再考虑扩展。

如果你也在找一个能真正操作浏览器的开源 AI 助手，或者你对 ReAct 推理循环、浏览器扩展架构、AI Agent 工程实践感兴趣，欢迎来看看代码，提提建议，或者一起参与开发。

项目地址：

GitHub: https://github.com/xiweicheng/ai-helper
Gitee: https://gitee.com/xiweicheng/ai-helper