2026 年 8 月 5 日，Hermes Agent 连续合并了两个更新，把桌面端最后一块“盲区”补上了：

1. PR #77705 — 内置浏览器和预览栏升级为真正的布局树标签页（in-app browser and previews are real layout-tree tabs）
2. PR #79482 — 新增 read_preview 工具，Agent 能读取内置浏览器当前页面的内容（Hermes can read the in-app browser）

一句话概括这次的意义：以前 Agent 能“打开”网页，但看不到自己打开的网页；现在它终于能读了。 对用 Hermes Desktop 做开发的人来说，这补齐了“生成 UI → 打开预览 → 查看效果 → 自我修正”的完整闭环。

这篇文章不重复 PR 说明，而是把两处更新的技术细节、背后的设计取舍、以及实际怎么用讲清楚。

背景：Agent 一直是“睁眼瞎”地开网页

先回顾一下 Hermes 桌面端的工具演进，你会更清楚这两个 PR 的价值：

• 7 月 22 日（PR #69519）：引入 open_preview(url[, label]) 和 focus_pane(...)。Agent 第一次能主动在桌面端的预览面板里打开 URL、localhost 开发服务器或本地文件。但注意——它只能打开，页面内容是“黑盒”。
• 同期已有的 read_terminal / close_terminal 让 Agent 能读取内嵌终端里显示的内容，但网页这一侧始终没有对应的“读”能力。
• 8 月 5 日：两个 PR 连续落地，浏览器标签页 UI 重构 + read_preview 工具上线。

用官方的话说：open_preview 让 Agent 打开页面，read_terminal 能读终端，但“这个页面到底说了什么？“一直没人能回答。read_preview 就是来填这个坑的。

更新一：内置浏览器成为真正的“一等公民”标签页

PR #77705 之前，桌面端的预览栏（preview rail）是一个“后娘养的”UI：

• 它自己单独渲染一条标签条，高度、关闭菜单、标签大小写都和主区域不一致
• 有自己的 ⌘W 快捷键逻辑，和文件浏览器 zone 焊死在一起（按 ⌘J 会把预览一起拖走）
• Console/DevTools 切换按钮挂在标题栏，且状态由点击事件驱动——直接关掉 DevTools 窗口时，按钮状态会“卡住”

这次重构把它彻底拉进了布局树（layout tree）：

• 预览标签页成为 layout-tree 瓷砖：$previewTabs 通过和路由瓷砖相同的 paneMirror 会话镜像到 pane contributions。标签条、拖拽、堆叠、分屏、共享关闭动词、标准 ⌘W——主区域有什么，预览就有什么。
• URL 标签页标题统一为 “Browser”：标签命名表面（surface）而不是页面，语义更清晰。
• ⌘W / ⌃Tab 在预览和页面 zone 上生效：以前 ⌘W 只认聊天标签条，单个预览页时按 ⌘W 会把主聊天关掉——这个恼人的问题修好了。
• 会话拖拽可落入预览/页面 zone：拖拽不对称性也一并解决。
• DevTools 状态改为事件驱动：由 webview 的 devtools-opened/closed 事件驱动按钮，直接关窗口不会再“假亮”。
• 顺带删掉了重复的 i18n 键和整条独立的标签条代码——代码量净减。

技术细节：标签条本身被抽象成共享原语集合（PaneTabStrip、PaneStripGlyph/PaneStripTool、paneTabCloseItems），zone 头通过它渲染，glyph 像标题栏工具一样以数据形式贡献。这意味着未来任何新的预览类型都能自动获得统一的标签体验。

更新二：read_preview —— Agent 的眼睛

PR #79482 是真正的功能核心：新增 read_preview 工具，端到端镜像已有的 read_terminal，所以没有引入任何新机制，只是“同一套模式的新消费者”：

工具层（tools/read_preview_tool.py）：

• 通过 check_fn 检查 HERMES_DESKTOP 环境变量做桌面端门控——在 CLI/消息平台完全没有 schema 足迹，和另两个桌面 pane 工具一致
• 支持 start/count（字符偏移）窗口化读取：长页面可以分页读，不会一次性淹没上下文窗口

Gateway 桥：

• preview.read.request / preview.read.respond，走与 terminal.read 相同的阻塞式 prompt 桥
• 45 秒超时、allow_expired、超时后 .expire 静默收尾——迟到的渲染器回答不会报错

渲染器（preview-reader.ts）：

• URL 面板注册一个页面读取器：通过 webview 的 executeJavaScript 拿到标题 + 可见文本（innerText）
• readActivePreview 解析当前激活的标签页，单次读取上限 24k 字符
• 文件/产物标签页不绕 webview 往返，直接返回身份信息 + 指向更合适的工具（read_file 或会话本身）——Agent 已经有更好的工具读文件时，就不浪费一次页面往返

PR 的测试计划里有一个很形象的验收场景：在浏览器里打开 Reddit，问 Agent“置顶帖是什么？”——Agent 调用 read_preview 从页面作答。

这套能力实际怎么用

1. 本地开发的自验证闭环

最实用的场景：你在跑一个 localhost:3000 的 React/Vue 应用，让 Agent 改个组件。现在它可以：

open_preview(localhost:3000)     # 打开预览
# …修改代码、重启 dev server…
read_preview()                    # 读取页面当前内容，验证改动是否生效

以前 Agent 改完代码只能“盲改”，现在能读回页面实际渲染出的文本，自己确认对不对。

2. 网页调研 + 上下文安全

Agent 打开一篇长文章或文档页后，用 start/count 分页读取，只把需要的段落带进上下文——比整个页面一股脑塞进来省 token 得多。

3. 与 v0.20 Artifacts 配合

如果你在用 Hermes v0.20 的 Artifacts 沙盒预览，生成 HTML 应用后现在可以直接让 Agent 读取预览里的实际渲染内容，形成“生成 → 预览 → 读取 → 修改”的循环，而不只是“生成 → 预览 → 人来看”。

4. 限制与边界（值得知道）

• 桌面端专用：read_preview 只在 Hermes Desktop 可用（HERMES_DESKTOP 门控），CLI/TUI/消息平台没有这个工具。对应地，open_preview/focus_pane 也是桌面专用。
• 只读可见文本：拿到的是标题 + innerText，不是 DOM 结构，也不是屏幕截图。想“看”页面长什么样，仍然需要截图/视觉工具。
• 激活标签页语义：读的是当前激活的标签页，多开标签时注意 Agent 读的是哪一页。
• 24k 字符上限：单次读取封顶，长页面靠分页。

对开发者的意义

这两个 PR 看起来只是“UI 重构 + 一个工具”，但合起来是交互模型的分水岭：

过去，桌面端 Agent 的工作流是“我生成，你来看”——Agent 产出 HTML 或打开网页，然后等人类反馈。现在变成“我生成、我打开、我读取、我修正”的自主闭环。read_terminal 打通了终端，read_preview 打通了网页，加上既有的文件工具，Hermes Desktop 上 Agent 的“感知面”基本齐了。

下一步自然的方向（也是社区在期待的）：read_preview 与视觉能力结合，让 Agent 不仅读到文字、还能“看到”渲染效果——到那时“看网页”就和人类操作浏览器没有本质区别了。

如何体验

1. 更新到最新版桌面端：hermes update（或从 安装指南 全新安装）
2. 在 Hermes Desktop 里让 Agent open_preview 打开一个 URL
3. 问它“这个页面说了什么？”——观察它调用 read_preview 作答

想了解更多桌面端能力可以看 Hermes Desktop 文档，回顾上一版大更新可以读我们的 v0.20.0 Herald 解读。