浏览器自动化工具

技能简介

agent-browser 是一款面向 AI 代理优化的无头浏览器自动化命令行工具，基于 Chromium 引擎，通过可访问性树快照与引用标记实现确定性元素选择，支持多步骤工作流、复杂单页应用（SPA）操作及会话隔离。

业务背景

Agent Browser 帮助业务人员将重复性网页操作自动化，如批量数据采集、表单填报和页面巡检。AI代理可直接调用结构化命令完成点击、输入、截图等任务，无需人工值守浏览器。适用于需要定时抓取竞品信息、自动化测试Web流程，或让AI助手代为处理繁琐的网页交互场景。

落地案例：财务团队每月需从多个网银下载流水：传统方式需专人逐户登录、切换U盾、手动导出。使用agent-browser后，AI代理按预设流程自动完成——调用快照识别登录框与验证码区域，填充账号密码并触发安全验证，进入账户后定位"下载对账单"按钮，选择日期范围导出Excel。各银行账户以独立会话并行运行，全程无需人工值守，月末结账周期从2天缩短至2小时。

能做什么

• 自动执行网页交互操作（点击、填写、滚动等）
• 提取页面中的结构化数据
• 程序化填写网页表单
• 进行 Web UI 自动化测试
• 录制操作视频并生成 PDF/截图

使用说明

安装步骤：

1. 通过 npm 全局安装：npm install -g agent-browser
2. 执行安装命令：agent-browser install
3. 如需完整依赖：agent-browser install --with-deps

核心工作流程：

1. 打开页面：agent-browser open <url>
2. 获取交互元素快照：agent-browser snapshot -i（返回带引用的元素如 @e1, @e2）
3. 使用引用执行交互：agent-browser click @e1 或 agent-browser fill @e2 "文本"
4. 导航或 DOM 变化后重新快照

常用命令示例：

• 导航：open / back / forward / reload / close
• 快照：snapshot [-i 交互元素] [-c 紧凑输出] [-d 深度限制] [-s CSS选择器]
• 交互：click / dblclick / fill / type / press / hover / check / select / scroll / drag / upload
• 信息获取：get text/html/value/attr/title/url/count/box
• 状态检查：is visible / is enabled / is checked
• 媒体：screenshot [–full] / pdf / record start/stop/restart
• 等待：wait [元素/毫秒/–text/–url/–load/–fn]

输入与输出

见下方输入与输出表格。

风险提示

• 需要本地安装 Node.js 和 npm 环境
• 部分网站可能检测自动化工具并限制访问
• 频繁操作可能导致 IP 被临时封禁
• 录制视频功能会创建新上下文，但保留 cookies 和存储
• 语义定位器功能文档不完整，建议优先使用引用方式

来源信息

原始链接：https://github.com/openclaw/skills/tree/main/skills/thesethrose/agent-browser/SKILL.md
来源类型：GitHub 开源项目