AiToEarn + Browser Harness + CamoFox：AI 内容自动化三件套实战

最近在研究 AI Agent 的内容自动化能力，顺手把三个紧密相关的开源工具串了起来。这篇是实用教程，不讲空泛的概念，每个工具讲清楚：它是什么、为什么值得用、怎么上手。

一、三件套概览

三件套解决的问题不同，但组合起来能覆盖”内容采集 → 浏览器操作 → 多平台分发”的完整链路：

工具	核心定位	解决的问题
AiToEarn	AI 内容分发平台	一键把内容发布到 12+ 个社交媒体
Browser Harness	CDP 浏览器控制框架	让 LLM Agent 直接操控 Chrome
CamoFox	反检测浏览器	AI Agent 绕过反爬虫，稳定访问各平台

三者组合后的能力：让 Agent 自动完成”采集→处理→发布”全流程。

二、AiToEarn：AI 驱动的多平台内容分发

2.1 它是什么

AiToEarn 是一个 AI 驱动的内容分发平台，核心卖点是一键把内容同步到多个社交媒体。国内支持抖音、小红书、B站、快手、视频号、微信公众号；国际支持 TikTok、YouTube、Facebook、Instagram、Threads、Twitter、Pinterest、LinkedIn——合计 12+ 平台。

2.2 核心特性

AI 内容生成能力内置其中，不只是分发，还支持：

AI 内容生成（文字/图片/视频）
批量任务发布
MCP 接口（可在 Claude/Cursor 等 AI 助手中直接调用）

MCP 地址：https://aitoearn.ai/api/unified/mcp

这意味着你可以在 Claude 里说”帮我发一篇小红书”，直接调用 AiToEarn 的能力完成发布，不用跳转到 AiToEarn 控制台。

Relay 模式值得单独说：借用官方 OAuth 凭据即可，不需要自己申请各平台的开发者账号。对个人用户和小团队来说，这省掉了大量申请 API Key 的精力。

2.3 部署

官方推荐 Docker 一键部署：

1
2
3

git clone <repo>
cd <project>
docker compose up -d

源码部署会遇到 Nx monorepo 构建路径问题，官方文档也承认这一点，建议直接上 Docker。

硬件要求：2 核 CPU + 4~6 GB 内存。注意云电脑的”2 核”经常是超售核，实际可用资源可能不足。

2.4 使用建议

个人用户优先用 Web 版（国内 aitoearn.cn / 国际 aitoearn.ai）
团队/批量场景用 Docker 部署
MCP 接口适合与 AI 编程工具集成

三、Browser Harness：CDP 浏览器控制框架

3.1 它是什么

Browser Harness 是一个轻量级的浏览器控制框架，核心思路是通过 CDP（Chrome DevTools Protocol）把 LLM Agent 直接连到真实浏览器。

传统浏览器自动化（如 Playwright、Selenium）走的是”浏览器 → 代理层 → Agent”的路径。Browser Harness 砍掉了中间层，Agent 和 Chrome 之间只有一条 WebSocket 连接。

3.2 架构

Chrome / Browser Use Cloud
       ↓ CDP WebSocket
browser_harness.daemon  ←→  IPC  ←→  browser_harness.run (CLI)
       ↓
agent_workspace/agent_helpers.py  ←  Agent 可编辑辅助函数

核心文件：

src/browser_harness/helpers.py — CDP 封装和核心浏览器原语
src/browser_harness/daemon.py — CDP WebSocket 守护进程 + IPC 中继
src/browser_harness/admin.py — 守护进程生命周期管理
src/browser_harness/run.py — CLI 入口
agent-workspace/agent_helpers.py — Agent 自进化写入的自定义函数

3.3 自进化能力

这是 Browser Harness 最有意思的设计：Agent 在执行过程中如果发现某个辅助函数缺失，可以自动写入 agent_helpers.py。下次再用到相同的交互模式，直接调用已写好的函数。

简单说：Agent 用得越多，它自己的工具库越丰富——跟人学技能一个道理。

3.4 Domain Skills 生态

社区已经为常用平台贡献了站点特定技能，直接可用的 Domain Skills 包括：

社交平台：bilibili, github, linkedin, reddit, tiktok, xiaohongshu, youtube, facebook, x, twitter
电商平台：amazon, ebay, etsy, shopify-admin, walmart, zillow
求职平台：BOSS-zhipin, glassdoor, wellfound, linkedin
其他：arxiv, goodreads, gutenberg, imdb, spotify, steam 等

3.5 Interaction Skills

提供可复用的 UI 交互指南，覆盖常见浏览器操作场景：对话框处理、标签页管理、下拉菜单、跨域 iframe、文件上传、截图、Cookie 管理、网络请求等。这些 Markdown 指南可以直接被 Agent 读取和遵循。

3.6 使用建议

本地使用：启动 Chrome with remote debugging，连接 daemon
云浏览器：Browser Use Cloud 免费提供 3 个并发浏览器
有现成 Domain Skill 的平台优先用 Skill，能大幅减少 Agent 的试错时间

四、CamoFox Browser：AI Agent 专用的反检测浏览器

4.1 它是什么

CamoFox Browser 是由 Jo 团队（jo-inc）开发的反检测浏览器自动化服务器，底层基于 Camoufox——一个深度定制的 Firefox 分支。

为什么需要专门的”反检测”浏览器？因为很多平台会通过 JavaScript 层面的指纹检测（navigator 属性、WebGL、Canvas、WebRTC 等）来判断访问者是不是自动化工具。普通 Playwright 或 Puppeteer 在这种检测面前基本裸奔。

4.2 C++ 级反检测

Camoufox 的厉害之处在于在 C++ 实现层面（不是 JS 注入层）就伪造了指纹参数：

navigator.hardwareConcurrency
WebGL renderer
AudioContext fingerprint
Screen geometry
WebRTC 真实 IP 泄露

这些参数在 JavaScript 执行前就已经被伪装好了，检测难度远高于 Playwright Stealth 那种 JS 注入方案。

4.3 核心特性

稳定元素引用（Element Refs）

用 e1、e2、e3 等稳定标识符替代 CSS 选择器，点击操作的可靠性大幅提升。CSS 选择器在页面变化时经常失效，Element Refs 从根本上解决了这个问题。

资源效率

无障碍快照比原始 HTML 小约 90%，大幅降低 LLM 调用的 token 成本
惰性浏览器启动 + 空闲自动关闭，空闲时内存仅约 40MB

会话隔离

每个用户独立 cookies/storage，多任务并发不会互相干扰。

Cookie 导入

支持导入 Netscape 格式 cookie 文件，导入后免登录直接访问已认证的站点。

代理 + GeoIP

支持住宅代理，自动配置 locale 和 timezone，配合 GeoIP 做到”看起来就是当地用户”。

搜索宏（Search Macros）

内置 15+ 预设搜索命令，@google_search、@youtube_search、@amazon_search、@reddit_subreddit 等，Agent 可以直接用自然语言触发搜索。

YouTube 字幕提取

内置 yt-dlp 支持，提取字幕不需要 API Key。

VNC 交互登录

通过 noVNC 可视化登录站点，导出存储状态供 Agent 复用——适合需要扫码或验证码登录的场景。

会话追踪（Tracing）

可选开启 Playwright trace 录制，捕获截图 + DOM + 网络请求，用于调试和审计。

4.4 与 Playwright 对比

特性	Playwright	Playwright Stealth	Camoufox/CamoFox
指纹伪造层级	无	JavaScript 注入	C++ 实现层
可检测性	高	中	低
WebGL 伪装	❌	部分	✅
AudioContext 伪装	❌	❌	✅
稳定元素引用	❌	❌	✅（e1/e2/e3）
Token 效率	基准	基准	降低 90%

4.5 使用建议

目标平台反爬虫严格（Google、Cloudflare 验证页）时优先用 CamoFox
大量并发任务时资源占用优势明显
通过 OpenClaw 插件方式集成（Jo 团队作为 OpenClaw 插件维护）

五、三件套组合实战

三个工具各自的定位清楚了，关键是它们怎么配合。

5.1 典型工作流

内容采集（Browser Harness + CamoFox）
        ↓
内容加工（AiToEarn AI 生成）
        ↓
多平台发布（AiToEarn 分发）

第一步：采集

用 CamoFox + Browser Harness 组合，让 Agent 自动采集目标平台的内容（如竞品动态、热点话题）。CamoFox 负责绕过反爬，Browser Harness 的 Domain Skills 直接提供对应平台的交互逻辑，不需要从头写选择器。

第二步：加工

采集到的内容通过 AiToEarn 的 AI 生成能力进行改写、扩写、生成配图。AiToEarn 内置 AI 内容生成，不需要单独调 LLM API。

第三步：发布

加工后的内容通过 AiToEarn 一次发布到多个平台。如果是通过 MCP 接口集成，甚至可以让 Claude/Cursor 一句话完成”采集→加工→发布”全流程。

5.2 MCP 集成路线

// Claude Desktop config 示例
{
  "mcpServers": {
    "aitoearn": {
      "command": "npx",
      "args": ["-y", "@aitoearn/mcp-server"],
      "env": { "AITOEARN_API_KEY": "your-key" }
    }
  }
}

配置完成后，在 Claude 对话里就能直接调用：

1	"用 AiToEarn 发布一篇关于 Browser Harness 的教程到小红书和 Twitter"

5.3 选择建议

场景	推荐组合
纯内容发布	AiToEarn 单独使用
需要采集/操作网页	Browser Harness + AiToEarn
反爬虫严格	CamoFox + Browser Harness + AiToEarn
全自动工作流	三件套 + MCP 集成