agent-browser(浏览器自动化)

作者 设施特

让 Agent 操作网页最烦的是每步都要截图喂给视觉模型,又慢又贵。Vercel Labs 这个 Rust 写的浏览器 CLI 把页面读成可寻址的无障碍树,每步只是一条短命令,浏览器常驻不重启,还自带 MCP 服务和技能包。

Github
Skill 编程开发 v1.0.0 热度 380

将提示词发送给你的 AI 安装该 Skill

复制下方提示词,粘贴到 Cursor / Claude Code / WorkBuddy 等本地 Agent,按说明安装。

请根据 https://www.cweto.cn/?ai_hub=skill_install ,安装本站 Skill @ai_hub/work-42(agent-browser(浏览器自动化))。
详情页:https://www.cweto.cn/work-42.html
GitHub:https://github.com/vercel-labs/agent-browser
请装到当前 Agent 的 skills 目录(见安装说明中的路径表),完成后重启或刷新 Agent。
安装说明 GitHub
支持的本地 Agent 目录
  • Claude Code → ~/.claude/skills/
  • Cursor → ~/.cursor/skills/
  • Windsurf → ~/.codeium/windsurf/skills/
  • Codex → ~/.codex/skills/
  • Gemini CLI → ~/.gemini/skills/
  • WorkBuddy → ~/.workbuddy/skills/
  • OpenClaw 变体 → 各自 skills 目录

Skill 说明

agent-browser 是什么

agent-browser 是一个用原生 Rust 写的浏览器自动化 CLI,专门给 AI Agent 用:打开页面、把页面读成无障碍树、然后从命令行对元素执行操作。

它的核心机制是 snapshot:把整页压成紧凑文本,每个可交互元素带一个 @e1 这样的引用。Agent 拿到引用去点击,再读一次页面确认结果,循环推进。浏览器在命令之间保持打开,所以每一步都只是一条很短的 shell 调用,不用反复启动浏览器、也不用每步都截图丢给视觉模型。

底层是一个后台守护进程:第一条命令时启动,通过 Chrome DevTools Protocol 控制浏览器。每个 --session 拥有自己的守护进程和浏览器实例;默认情况下守护进程在无命令一小时后先保存状态再关闭无头浏览器。

对比项agent-browserPlaywright / Puppeteer 脚本纯视觉截图方案
页面表示紧凑无障碍树 + @eN 引用需要自己写选择器整页图片
交互粒度一条命令一步,浏览器常驻一次跑完整个脚本视觉模型输出坐标
失败反馈目标被遮挡 / 隐藏 / 视口外时点击直接报错,不谎报成功需自己写断言容易误判成功
接入方式CLI 命令 + 内置技能 + agent-browser mcp MCP 服务代码集成需自建循环

默认浏览器是 Chrome for Testing,也可以用 --cdp 或 --auto-connect 接入一个已经在跑的 Chrome,或者切换 Lightpanda / Obscura 引擎、驱动 iOS 模拟器里的 Mobile Safari、接 Browserbase / Browserless / browser-use / Kernel / AgentCore 等云浏览器。

agent-browser 怎么安装

用 npm 全局安装,然后第一次跑一次 install 子命令把 Chrome for Testing 下载下来:

npm install -g agent-browser
agent-browser install

Homebrew 用户:

brew install agent-browser
agent-browser install

Linux 上还需要浏览器系统库,加 --with-deps:

agent-browser install --with-deps

完全不想装也能试,直接 npx:

npx agent-browser open example.com

原生二进制覆盖 macOS(ARM64/x64)、Linux(ARM64/x64,glibc 与 musl)和 Windows x64,npm 包会自动挑对应当前机器的那个。

agent-browser 怎么使用

最基本的五步循环:

agent-browser open example.com
agent-browser snapshot -i       # 交互元素,每个带 ref
agent-browser click @e1         # 对上一步 snapshot 里的 ref 操作
agent-browser get url           # 确认结果
agent-browser close

几个必须记住的规则:

  1. ref 描述的是快照那一刻的页面。发生导航或 DOM 变化后,必须重新 snapshot 再用新 ref。
  2. CSS 选择器、文本、XPath 和语义定位也能用,例如 agent-browser find role button click --name "Submit"。
  3. 点击目标被遮挡(比如 Cookie 弹窗盖住)时会直接失败而不会假装成功,先关掉遮挡元素、重新 snapshot、再重试。
  4. 让 Agent 用起来更稳的做法是先装技能:agent-browser skills get core 拿到核心循环与常见工作流,agent-browser skills list 看 electron / slack / dogfood 等专项技能。
  5. MCP 客户端直接 agent-browser mcp 起一个 stdio 的 MCP 服务。

agent-browser 适合谁用

  • 写 Agent 需要网页操作能力,但不想每步都截图烧视觉 token 的开发者。
  • 用 Claude Code、Codex 这类 harness,希望 Agent 通过一条条短命令稳定翻页、填表、抓数据的人。
  • 要做自动化测试、截图、PDF 导出、网络请求录制、性能剖析的团队——它的命令组覆盖了 debug 与 performance。
  • 需要把已有 Chrome 登录态接进来复用(用 --cdp / --auto-connect)的场景。
  • 只做一次性的页面抓取、且不需要交互的人,直接用 HTTP 请求更轻。

agent-browser 项目地址

  • GitHub 仓库:https://github.com/vercel-labs/agent-browser
  • 官方文档:https://agent-browser.dev
  • 快速上手:https://agent-browser.dev/quick-start
  • 命令参考:https://agent-browser.dev/commands
  • npm 包:https://www.npmjs.com/package/agent-browser
  • 技能包:https://skills.sh/vercel-labs/agent-browser