网页开摄像头要经过 Chrome,Agent 开摄像头谁来管?
在 Chrome 里点一次“拒绝”,网站就拿不到画面。为什么换成桌面 Agent,摄像头却打开了?从四款 Agent 的 Windows 实测,看权限该在哪里检查。
一、网页想开摄像头,为什么得先问 Chrome?
在 Windows 上写个程序,打开摄像头拍一段视频,或者打开麦克风录一段声音,都算不上难事。Windows 有现成的采集接口,光是拍视频,就可以用 Media Foundation,也可以用 DirectShow。可你第一次用 Chrome 打开一个会议网站,点了“拒绝”,网站就拿不到画面。既然 Windows 有好几种办法开摄像头,它为什么不能换一种接着拍?
区别在于代码跑在哪里。开发者写一个本机录像程序,可以自己选用 Windows 的接口。同一个开发者给会议网站写代码,能用哪些接口,却由浏览器决定。网页想要画面,要调用 Chrome 提供的 getUserMedia,告诉浏览器“这个网站想用摄像头”。开发者即使熟悉 DirectShow,也没法在普通网页里直接调用它。
这时,Chrome 知道是谁在申请,也知道它要用什么。网页代码跑在受沙箱限制的渲染进程里,检查摄像头权限的是浏览器进程。你点了“拒绝”,Chrome 就不给这个网站画面。网站可以在会议页面上提醒你“请打开摄像头”,却改不了 Chrome 替你记下的决定。你拒绝一次就管用,因为网页能走的那条路,正好经过替你检查权限的地方。
二、换成桌面 Agent,摄像头怎么就打开了?
换成桌面 Agent,结果就不一样了。我们在 Windows 上测了 WorkBuddy、Claude CLI、Codex CLI 和 DSH,四款最终都录到了画面。WorkBuddy 开着内置沙箱,录下了约十五秒的视频,全程没有额外审批。四次测试里,没有一款明确问过用户“允许打开摄像头录像吗?”
为什么能拍到?桌面 Agent 可以自己写程序,也可以运行已有的程序。我们给 WorkBuddy 的就是一份写好的 Python 脚本。WorkBuddy 启动脚本,脚本又启动了电脑上的录像工具 FFmpeg。到了真正拍摄的那一步,是 FFmpeg 通过 DirectShow 向 Windows 打开了摄像头。整个过程,谁也用不着向 WorkBuddy 申请一个“拍摄”功能。
这就是沙箱要守的地方。WorkBuddy 可以决定一段脚本能不能运行。可脚本运行以后,它叫来的 FFmpeg 能不能拍到你?这是另一个需要单独决定的问题。允许运行一段代码,不等于同意这段代码打开摄像头。
测试说明 WorkBuddy 和 Claude CLI 均未要求额外审批。Claude CLI 此次在 Windows 上没有启用沙箱。Codex CLI 和 DSH 首次运行失败,获准扩大权限后完成采集。两者的确认框要求允许运行代码,没有明说接下来会打开摄像头录像。
三、一个会写程序的程序,该怎么管?
Agent 是一个会写程序的程序。今天它可以调用现成的录像工具,明天也可以自己写一段调用 Windows 接口的代码。假如你给 Agent 设计了一个“打开摄像头”的接口,而且每次调用都要经过用户同意,看上去已经很周全了。可把上一章那份脚本再运行一遍,这套检查一次也不会触发。脚本有别的路可以走。
Chrome 能管住网页,有一个前提:它既规定网页能用哪些接口,也限制网页代码直接接触本机设备。桌面 Agent 要运行本机程序,光靠封装几个接口就做不到这一点了。可无论代码是谁写的,程序最终都得向 Windows 申请资源。权限也就可以管在这里。
微软从 Windows 8 开始提供 AppContainer 的组件。一个程序在 AppContainer 里启动时,Windows 会给它一个受限身份,记下这个身份获准使用哪些资源。等程序真的去访问受保护的资源,系统会检查这个身份。拿一款运行在 AppContainer 里的会议应用来说,它想通过 Windows 的媒体采集接口取得画面,就需要相应的摄像头能力,还要符合系统的隐私设置。麦克风有单独的能力,可以另行限制。你本人当然能在自己的电脑上开视频,但这款应用能不能拍,还得看它自己的权限。
这个设计尤其适合 Agent。要判断一段临时写出来的代码会做什么,很难。要给它一个用不了摄像头的运行环境,却不必先读懂它的每一行代码。程序可以照常启动,等它真的伸手去拿画面,Windows 再按它的身份检查。
本章资料与实测 (2)
四、FinShield 怎么管到真正打开摄像头的工具?
做 FinShield 时,我们从 Chrome 借鉴了一点:负责检查权限的一方,要管得到真正访问设备的那段代码。在 Windows 上,我们用 AppContainer 等隔离机制,让 Agent 和它启动的工具在受限身份下运行。对前面那段录像脚本来说,最要紧的就是 FFmpeg。它直接找 Windows 要画面,但它带过去的,仍是这个执行环境的权限。
我们给同样四款 Agent 加上 FinShield,又做了摄像头测试。四组里,采集工具都没能成功连接测试摄像头。独立观察器没有看到摄像头开始采集,最后也没有生成有效视频。前面四次都拍到了,这四次都没拍到。
回到开头那个会议网站。你点了“拒绝”,用不着知道 Chrome 底下调用了哪套 Windows 接口。把任务交给桌面 Agent,也该有同样的把握。你用不着认识 FFmpeg,更不该为了决定一段脚本能不能运行,先把它读一遍,查查它会不会拍你。你没有同意打开摄像头,Agent 和它叫来的工具就都该拿不到画面。这才是沙箱该替你守住的事。