先走完一次验收
用 Claude Code、Codex 或 Cursor 改网页，常见的回报是：格式化、类型检查和测试都绿了，再加一句 Implemented and verified。打开页面，仍可能看见筛选后留着旧数据、保存后一刷新就回到旧值、弹窗在屏幕上放不下。
Timothy Ogbemudia 想补上的是这一圈：改代码，跑已有测试，启动应用，使用刚改的功能，看结果，修完再使用一次。已有测试回答它们覆盖的场景。浏览器验收从这次改动出发，看正在运行的应用。
先读这次差异，再决定验什么。改筛选，就去用筛选。改重置，先把状态改掉，再按重置，看界面是否回到原样。改保存，要修改、保存、再刷新，读回当前值。点过保存按钮，说明不了刷新之后还在。
证据按问题分开。地址、按钮是否禁用、对话框是否打开，读页面结构和无障碍状态。重叠、裁切、窄屏换行，看截图。模态框可以待在页面结构里，屏幕上却点不到。两类有时都要。
交互式地图那次，新增的单元测试在旧代码上也能通过。被当作证据的，是代理打开应用后看到的光标变化和复位。这些例子用来说明规则，仓库里没有同名测试，也没有统计这种失误有多少次。
报告要让人能复查
只把浏览器交出去，报告仍可能只有三句：Opened /route. Page loaded successfully. Browser verification complete。页面打开了，没有人规定它必须证明什么。
交回来的内容要能让另一个人复查：走了哪条路径，预期是什么，实际看到什么，证据在哪，相关测试结果，修了什么，复验是否重走，哪里受阻或没测。
- 功能状态：读当前值、选中、禁用、弹窗是否打开。
- 页面效果：看截图里的遮挡、裁切和重叠。截图单独证明不了刷新后的字段值。
- 接口和报错：页面显示成功、接口却失败时，仍要写进报告。
作者的演示是一个故意写坏的注册表单：空表单提交后什么都不发生，正确行为应出现错误提示。三个 Playwright 测试。一次运行指向本机 4173 端口，结果是 2 passed、1 failed、0 blocked、0 not tested。失败项是“空表单应显示必填错误”，Playwright 记录 getByRole('alert') 从未出现。证据种类包括截图、录像、日志和 trace，文件本身没有附在文章里。
这次报告的 Runner 是 katalepsis 0.1.0、Playwright 1.63.0、Node 22.22.0，只对应该份报告。预览 commit 没有报上来，标成 unconfirmed。报告目录时间是 2026-10-19T08-21-25-288Z。这是一次运行，没有重复试验。
把规则留在项目里
短说明每次都会被读到，长步骤等用到再读。Codex 每次会话读取 AGENTS.md，Claude Code 读取 CLAUDE.md。AGENTS.md 只写一条完成标准：用户看得见的工作，必须在正在运行的应用里验证，否则不算做完。构建、类型检查、单元测试和端到端测试都不能代替这一步。验证产生的截图和日志不提交。交接前清掉这次为验证启动的进程和文件。
具体步骤放进 browser-review 技能。技能是一个含 SKILL.md 的文件夹。会话开始时，代理只看见名称和短描述，任务对上了才读全文。示意目录里还有 pr-review 和 grill-me，作者没有说明后两者做什么，也没有测量两份文件各占多少上下文。
更新后的技能要求先跑 katalepsis。字段值、持久化、控制台、网络和跨视口布局这些它还查不了的，再退回普通浏览器操作。第一个按新说明运行的 Codex 会话去找一个叫 katalepsis 的技能，没找到，就退回旧的浏览器复查。作者随后写明：katalepsis 是命令行工具，browser-review 才是技能。这里只记了一个会话。
写代码的那个代理容易只走自己打算改的路径。作者另请一个没有这段会话记录的代理，自己读差异，自己判断影响范围。
那次复查要把端到端地址改成可由 E2E_BASE_URL 配置。种子数据里三张图片仍写死在本机 8080 端口。应用改在 8081 上跑之后，三个指向 8080 的请求以 net::ERR_CONNECTION_REFUSED 失败，页面静默画出三张回退卡片。只检查“有卡片”的测试，真图片和回退卡片都能通过。没有原始网络日志或截图文件。
构建 katalepsis 时，负责测试的代理在清理时关掉了机器上每一个 Playwright 浏览器，自己启动的只是其中一个，它在总结里承认了。清理因此收成一条：只停、只删自己创建的进程、容器、截图、trace 和其他产物。前后各看一次 git status --short。作者没有给出命令、浏览器数量或发生时间。
启动按项目原来的方式。先看 package.json 的 dev 脚本，再看 README。只有别的办法都跑不起来，才用仓库里已经有的 Docker，不新写一份配置。不能为了省事关掉认证、改 .env、造假服务，或加一条只为测试存在的路由。文档里的测试账号仍登录不上，就停，并写明浏览器复查受阻。关掉认证再看一遍，查的已经是另一个应用。
给 Agent 接上真浏览器
Playwright MCP 交给代理的是一个真浏览器：打开本机页面，读页面，定位控件，点击，输入，核对变化，再截图。pnpm playwright test 跑的是已经写好的场景。两件事各答各的。
Playwright MCP 需要 Node.js 20 或更新版本。安装后面的 katalepsis 需要 Node.js 22.12 或更新版本，还要有 Git。
弱报告和强报告的差别就在指令。没有人规定必须证明什么时，代理会用“页面加载成功”结束。指令要把它按回这次改动的最终状态。
用 katalepsis 整理证据
前面的流程可以单独用。作者后来把它做成开源工具 katalepsis。到 2026年10月20日发表时，它还不在 npm 上。安装器会克隆仓库并构建，需要 pnpm 10，或随 Node 提供的 corepack。安装脚本没有被另行抓取核验。价格、速率和供应商是否在线，文章没写。
katalepsis run 跑项目里已经有的 Playwright 测试，排序、脱敏、打包，并以 Playwright 的断言为结论。katalepsis verify 接受自然语言检查，模型使用调用方自己的 Anthropic、OpenAI 或 OpenRouter 密钥去开真浏览器。
指向预览之后，它交出一份 HTML、一份可以贴进拉取请求的 Markdown，和一份 JSON manifest。作为 MCP 服务器时只在指定文件夹里工作，工具是 verification_run_tests、verification_check_browser、verification_get_report。
另一次 verify 用 OpenRouter 上的 anthropic/claude-haiku-5.5，对着同一个演示，结果仍是 2 passed、1 failed、0 blocked。完整 checks.json 里三项检查指向同一个空表单缺陷。正文示例只展示了两个检查对象，那份报告时间是 2026-10-10T12-45-05-343Z，早于上面的 run。
结果有四种：passed、failed、blocked、not tested。预览不可用时，它在启动 Playwright 之前只请求预览地址一次。遇到 502、503、504、网络错误或网关状态，选中的测试一起变成 blocked，Playwright 不启动。指向没有服务的本机 4999 端口时，输出是 0 passed、0 failed、3 blocked，原因是 connect ECONNREFUSED。记的是一次受阻，三条测试不会各自记成失败。
指向预览自身、来源不可达，算 blocked。第三方 API 失效仍是 failed。浏览器起不来也是 blocked。第一轮没有会话记录的复查返回 15 项发现，其中一条就是这条分类。
公开前作者跑了自己的两个项目。Conclave 是 95 passed。另一个更大的应用是 137 passed、1 failed，失败断言是缩放级别略有偏差。那次失败原来就在，他没注意到，katalepsis 把它摆到不能略过的位置。两个项目都写死了 baseURL，测试没有访问他传入的地址。工具现在会警告这种情况。对错误服务器给出的绿色结果，比没有运行更糟。警告原文和两份配置没有贴出。
一条 LinkedIn 评论指出，本地检出的 commit 不一定是预览构建的 commit。报告现在同时记下两者，标成 confirmed、mismatched 或 unknown。不匹配会挡住一次本来可以通过的运行。预览可以用名为 x-commit-sha 的响应头，或名为 commit-sha 的 meta 标签，把 commit 交出来。也可以传 --preview-commit。评论者身份和加入日期没有给出。
还有一条真实分支，把 GeoJSON 做成主下载按钮，CSV 和 KML 放进下拉菜单。verify 会把页面内容发给模型供应商，作者的规则要求先同意，所以代理在运行前停了。用种子合成数据并明确同意后，检查通过：看得见一个主按钮，打开下拉后有其他格式，报告里有截图和 trace。含真实数据的页面仍走回退。检查数量、模型、耗时和原始报告没有给出。发送了哪些字段、留多久，文章也没写。
模型说通过，程序来核对
verify 里的模型可以点击、输入、阅读。它不能自己把一件事叫成通过。能用的工具只有 navigate、snapshot、click、fill、press、assert、finish。assert 由 katalepsis 在浏览器里执行，记下类似 a3 的编号。finish 必须引用这些编号。
要通过，必须引用 katalepsis 实际跑过、结果为通过、并且能证明模型动手之前页面上还没有的内容。否则是 blocked。decideOutcome 会把声称的通过改掉。被引用的断言有失败、只引用了隐藏断言或地址断言、引用的内容在行动前已经可见、最后一条被引用断言之后还有未引用的失败、或者引用了从未运行的编号，都会变成 blocked，后一种代码是 no-evidence。这是修剪过的规则，不能当作完整源码。
每个检查会开两份起始页，放在两个独立浏览器上下文里。模型只操作一份，另一份不动，用来看被断言的东西是不是一开始就在。作者试过的一个模型，曾拿始终存在的电子邮件字段标签来证明表单有效，得到 trueAtStart: true，不能单独支撑通过。模型名称、次数和失败率没有给出。动态页面若在两份副本之间自己变了，文章没有写该怎么处理。
早期还有并行 fill 互相抢：名字进了电子邮件字段。修复是让每个浏览器动作排队，等前一个结束。一个失败不会把后面的队列一并弄坏。没有竞态次数，也没有修复后的回归数字。
默认最多 15 步、200,000 token、120 秒。任何一项用尽，记为 blocked 并写明原因，不记成 failed。这些默认值可以改。触发频率没有写。
M2 复查发现，模型可以引用一个什么也没证明的断言来换取通过，规则因此收紧，并留下一份未触碰的页面。M3 发现客户端中途退出会留下 Playwright 和浏览器，构造出的符号链接还可能让报告工具读到项目外的文件。作者说都已修好并有测试覆盖。没有测试名称、数量或独立复验。
哪些改动才要打开浏览器
Markdown 里的错字，以及不会改变页面渲染的后端重构，不走这套复查。组件、表单、导航、对话框、客户端状态、地图、筛选、响应式布局、持久化，还有用户看得见的缺陷修复，才打开浏览器。
作者的经验法则是：只要你在声称界面运行时会怎样，正在运行的界面就该出现在证据里。这套流程不代替测试、代码评审，或人自己去看重要改动。它补上的是原来缺的那一圈反馈。
