技能介绍

agent-browser 是 vercel-labs 开源的一个高性能 Rust 原生命令行工具，专为 AI 代理设计，让你可以用编程方式控制网页浏览器，无需图形界面。它适用于 AI 智能体、自动化脚本，以及需要与网页交互（导航、点击、填写表单、截图、提取文本等）的开发者。

它采用客户端-守护进程架构：Rust CLI 负责解析命令并与守护进程通信，守护进程同样是纯 Rust 实现、直接使用 CDP，不需要 Node.js，也不需要 Playwright。守护进程在第一条命令时自动启动，并在命令之间保持运行，因此后续操作执行很快。许可证为 Apache-2.0。

适用场景

  • 需要浏览网页的 AI 智能体和编程助手
  • 需要自动化浏览器任务（测试、爬取、监控）的开发者
  • 希望从命令行或脚本中控制浏览器的人
  • 需要让智能体在 CI、容器或没有图形界面的服务器上操作网页的团队
  • 需要把网页操作接入 MCP 客户端的场景

核心能力

快照与引用（推荐用于 AI）。 snapshot 输出带引用的无障碍树，引用形如 @e1，可以直接用于点击、填写、取值。引用指向快照中的确切元素，无需重新查询 DOM，确定性好、速度快，是最适合 LLM 的工作流。快照支持过滤以减少输出：-i 仅交互元素、--urls 附带链接 URL、-c 紧凑、-d 限制深度、-s 限定选择器。

多种定位方式。 除引用外，还支持 CSS 选择器、text=、xpath=，以及语义定位器 find role/text/label/placeholder/alt/title/testid 配合 click、fill、check、hover、text 等动作。

读、取与导出。 get 可取文本、innerHTML、输入值、属性、标题、URL、CDP WebSocket URL、元素计数、边界框与计算样式；read 获取智能体友好的文本，显式 URL 读取默认发送 Accept: text/markdown，会尝试 .md 与祖先目录的 llms.txt，也可用 --outline、--llms、--filter、--require-md 等选项控制；pdf 保存页面为 PDF。

截图。 screenshot 支持整页 --full、指定目录与格式（png/jpeg 及 JPEG 质量）；--annotate 会在截图上叠加编号标签，每个 [N] 对应引用 @eN，方便多模态模型推理视觉布局。

网络与存储。 network route 可拦截、阻断、模拟响应，network requests 可按类型/方法/状态过滤，network har start|stop 支持 HAR 录制（可选择嵌入响应体）；cookies 与 storage local|session 管理 Cookie 与本地存储，支持从 Copy-as-cURL、JSON 数组或裸 Cookie 头导入。

调试与度量。 trace、profiler、console、errors、highlight、inspect；自带 React 内省（react tree/inspect/renders/suspense，需启动时加 --enable react-devtools）与通用 Web Vitals（vitals 输出 LCP/CLS/TTFB/FCP/INP 及水合摘要，与框架无关）；a11y 通过内嵌的 axe-core 做无障碍审计，可离线与在严格 CSP 下工作。

差异对比。 diff snapshot 比较当前与上次或基线快照，diff screenshot 做视觉像素差异并可调颜色阈值，diff url 直接比较两个 URL，支持限定选择器与自定义等待策略。

安全能力（均为可选，显式启用前不影响现有工作流）。 认证保险库把凭据加密存在本地、按名称引用，LLM 永远不会看到密码；--content-boundaries 用分隔符包裹页面输出，帮 LLM 区分工具输出与不可信内容；--allowed-domains 做域名白名单，会同时阻断子资源与 WebSocket/sendBeacon 并禁用 WebRTC 对等连接；--action-policy 用静态策略限制破坏性操作；--confirm-actions 要求敏感操作显式批准；--max-output 限制输出长度防止上下文泛滥。插件系统通过 agent-browser.plugin.v1 stdio JSON 协议在进程外运行，按 credential.read、browser.provider、launch.mutate、command.run 等能力声明权限。

接入方式。 mcp 通过 stdio 启动 MCP 服务器（默认 core 工具配置以保持上下文精简，--tools all 提供完整等价表面）；chat 把自然语言指令转成 agent-browser 命令并流式返回 AI 响应，交互模式下输入 quit 退出；dashboard 在 4848 端口启动本地 Web 仪表盘，实时显示视口与命令流。

多引擎与云提供商。 默认引擎为 Chrome（来自 Chrome for Testing），可用 --engine 在 chrome 与 lightpanda 间切换，也支持通过 iOS WebDriver 控制 Safari。-p/--provider 可接入 Browserless、Browserbase、Browser Use、Kernel、AgentCore 等云浏览器。

效果预览

用AI代理自动化浏览器任务

工作方式

运行机制是「CLI + 守护进程」：CLI 解析命令并与守护进程通信，守护进程持有浏览器实例并通过 CDP 驱动。守护进程在无命令、无仪表盘输入 1 小时后保存配置的恢复状态、关闭浏览器并退出，避免未调用 close 就崩溃的集成无限泄漏进程；下一个命令会启动新守护进程并恢复状态。可用 --idle-timeout（如 30s、5m、1h）或 AGENT_BROWSER_IDLE_TIMEOUT_MS 调整，0 表示禁用。有头浏览器、Safari/iOS WebDriver 会话、用户附加的浏览器默认不受空闲关闭影响。

会话隔离。 每个 --session 拥有独立的浏览器实例、Cookie 与存储、导航历史、认证状态。session list 查看活动会话，session id --scope worktree --prefix xxx 可生成稳定的工作树范围会话 ID。

认证复用。 提供多种持久化登录状态的方式：Chrome 配置文件复用（--profile，复制为只读快照）、持久配置文件目录、--session + --restore 自动保存/恢复、从已登录的 Chrome 会话导入（--auto-connect 配合 state save）、状态文件（--state）以及认证保险库（auth save / auth login）。会话状态在关闭、空闲超时和守护进程关闭时保存，也会按 AGENT_BROWSER_AUTOSAVE_INTERVAL_MS（默认 30000，0 表示仅关闭时保存）定期保存。

配置优先级。 用户级 ~/.agent-browser/config.json → 项目级 ./agent-browser.json → AGENT_BROWSER_* 环境变量 → CLI 标志。配置文件用 camelCase 键，未知键会被忽略以保持向前兼容，可用 $schema 指向 https://agent-browser.dev/schema.json 获得 IDE 补全。

你需要提供

  • Chrome。 运行 agent-browser install 从 Chrome for Testing（Google 官方自动化渠道）下载。它会自动检测已有的 Chrome、Brave、Playwright 和 Puppeteer 安装；守护进程不需要 Playwright 或 Node.js。
  • 首次使用前建议自检。 agent-browser doctor 会检查环境、Chrome 安装、守护进程状态、配置文件、加密密钥、提供商与网络可达性，并跑一次实时无头启动测试，--fix 可执行破坏性修复。
  • 可选凭据。 云提供商需要对应的 API Key 或凭据（如 BROWSERLESS_API_KEY、BROWSERBASE_API_KEY、BROWSER_USE_API_KEY、KERNEL_API_KEY，AgentCore 走 AWS 凭据链）；AI 聊天需要 AI_GATEWAY_API_KEY（默认模型 anthropic/claude-sonnet-4.6）。
  • 可选环境要求。 iOS 提供商需要 macOS、Xcode 与 Appium；Linux 上无显示器使用 --headed 需要 Xvfb（缺失时需 AGENT_BROWSER_NO_XVFB=1 退出）；Linux 上用 WebGPU 需要 libvulkan1 与 mesa-vulkan-drivers。
  • 配置项（可选）。 如需状态加密，设置 64 位十六进制密钥 AGENT_BROWSER_ENCRYPTION_KEY（可用 openssl rand -hex 32 生成）。

你会获得

  • 页面快照（带引用的无障碍树）与结构化 --json 输出
  • 截图（整页、注释截图、JPEG 质量控制）与 PDF 文件
  • 智能体友好的页面文本（markdown 或从 HTML 提取的可读文本）与 llms.txt 链接
  • 网络请求详情与 HAR 录制文件
  • 追踪文件、Chrome DevTools 性能分析文件（.json）、控制台与页面错误列表
  • axe-core 无障碍审计报告（含影响等级、规则 ID、修复指导 URL 与失败节点选择器）
  • React 组件树/props/hooks/state/渲染分析结果与 Web Vitals 指标
  • 快照与截图的差异结果（含差异图）
  • 可复用的认证状态文件（可选 AES-256-GCM 静态加密）

使用示例

快速开始：

agent-browser open example.com
agent-browser snapshot                    # 获取无障碍树及引用
agent-browser click @e2                   # 通过快照中的引用点击
agent-browser fill @e3 "test@example.com" # 通过引用填写
agent-browser get text @e1                # 通过引用获取文本
agent-browser screenshot page.png
agent-browser close

也支持传统选择器与语义定位器：

agent-browser click "#submit"
agent-browser fill "#email" "test@example.com"
agent-browser find role button click --name "Submit"

推荐给 AI 的工作流：

agent-browser open example.com
agent-browser snapshot -i --json   # AI 解析树和引用
agent-browser click @e2
agent-browser fill @e3 "input text"
agent-browser snapshot -i --json

MCP 客户端配置：

{
  "mcpServers": {
    "agent-browser": {
      "command": "agent-browser",
      "args": ["mcp"]
    }
  }
}

chat 模式（需配置 AI Gateway）：

agent-browser chat "open google.com and search for cats"     # 单次执行
agent-browser chat                                           # 交互式 REPL
agent-browser --model openai/gpt-4o chat "take a screenshot" # 覆盖模型

域名白名单与输出限制（安全 AI 部署）：

agent-browser --allowed-domains "example.com,*.example.com" open example.com
agent-browser --content-boundaries --max-output 50000 snapshot