自动化复杂的多会话浏览器任务

技能介绍

BrowserAct 是一个为 AI 代理设计的浏览器自动化命令行工具，由 browser-act 团队开发并以 MIT 许可开源（GitHub: browser-act/skills）。

它要解决的是"AI 代理用脚本操作网页"时最常撞上的三堵墙：反爬虫拦截、多任务互相污染、以及代理搞不定的步骤无人接手。BrowserAct 的定位是让智能体真正完成对任意网站的自动化操作、数据抓取与复杂任务处理——不是在传统脚本上加一层包装，而是按 LLM 推理的方式重新设计交互协议。

适用场景

• AI 代理需要执行浏览器自动化操作（如爬取、表单填写、数据提取）
• 需要绕过反爬虫机制获取受保护页面内容
• 需要并行运行多个浏览器任务且互不干扰
• 需要跨平台让人类手动接管代理无法处理的步骤
• 需要为 LLM 推理优化交互方式，而非传统脚本

核心能力

三层突破屏障

1. 环境层 — 隐身指纹伪装、TLS 轮换、代理切换，可拦截绝大多数封锁。
2. 执行层 — solve-captcha 自动解决验证码；stealth-extract 一键提取受保护页面内容。
3. 人类层 — remote-assist 生成实时 URL，用户可从任意设备接管，完成后代理无缝恢复。

三种浏览器模式

零干扰并发

• 跨浏览器并行 — 独立 Cookie、指纹、代理，网站无法关联。
• 同浏览器多会话 — 共享登录状态，独立执行，任务互不阻塞。
• 隐私模式 — 每次会话全新指纹和空档案，完成后零残留。

为代理推理设计

• 紧凑文本输出 — 索引化文本格式，比 JSON 或 HTML 节省数倍 Token。
• 索引交互 — state 返回索引列表；click 3 / input 2 "..."，无需解析 DOM。
• 语义记忆 — 每个浏览器携带 desc 描述，按含义匹配任务。
• 并发安全 — 会话拥有权 + 显式命名，多代理操作无冲突。

安全：确认门控

敏感操作（浏览器创建/删除、配置导入、代理变更、安全与隐私开关）需要用户明确批准。先前的批准不会延续。此功能在 Skill 层强制实施，不是可配置开关。

其他特性

• 更好的无头模式 — 默认无头但不干扰用户；隐身无头模式不会被检测。
• 跨平台远程交接 — 任意设备打开链接即可接管，代理无缝恢复。

兼容性与费用

操作系统： Windows、macOS、Linux

Agent 平台： Claude Code、Cursor、VS Code、OpenCode、OpenClaw、Codex、Gemini CLI — 任何能执行 Shell 命令和加载 Skills 的 Agent 均可。

几乎全部功能免费，仅两项功能需要付费：托管代理（动态/静态）和超过 5 个的隐身浏览器。

效果预览

工作方式

代理在每个会话开始时运行 get-skills 获取环境状态、浏览器列表和命令：

browser-act get-skills core --skill-version 2.0.2

拿到状态后用 state 读取可交互元素列表，再按索引执行点击与输入，不需要解析 DOM。需要绕过防护时先走 stealth-extract 取内容，遇到验证码调 solve-captcha；代理实在处理不了的步骤，用 remote-assist 把实时 URL 交给人，人做完后代理继续。

你需要提供

• 一台 Windows、macOS 或 Linux 机器
• 一个能执行 Shell 命令并加载 Skills 的 Agent（Claude Code、Cursor、VS Code、OpenCode、OpenClaw、Codex、Gemini CLI 等）
• 若要使用 Chrome 模式：本地 Chrome 的登录状态（配置导入或 CDP 附加）
• 若要使用隐身浏览器、stealth-extract、solve-captcha、remote-assist、隐私模式、Skill Forge：登录账号（免费）
• 若要使用托管代理或超过 5 个隐身浏览器：付费
• 敏感操作需要有明确批准的确认门控

你会获得

• 可运行的浏览器自动化能力：爬取、表单填写、数据提取
• 受保护页面内容的提取结果（stealth-extract）
• 验证码自动处理结果（solve-captcha）
• 并行且互不污染的多个会话（独立 Cookie、指纹、代理）
• 跨设备人工接管通道（remote-assist），接管后可无缝恢复代理执行
• 面向 LLM 的紧凑索引化输出，节省 Token 与解析成本

使用示例

# 提取受保护页面内容（零配置）
browser-act stealth-extract https://example.com

# 完整的浏览器自动化
browser-act --session my-task browser open  https://example.com
browser-act --session my-task state          # 查看可点击元素
browser-act --session my-task click 3        # 按索引点击
browser-act --session my-task input 2 "hi"   # 向输入框输入文字

页面上给出的三个典型任务：

使用 browser-act 提取指定电商网站的商品详情，并确保在遇到验证码时自动处理。

利用 Skill Forge 为 LinkedIn 职位搜索创建一个自动化提取技能，包含职位标题、公司和薪资信息。

配置 browser-act 以隐私模式并行运行多个任务，确保每个会话拥有独立的指纹和代理。

更多示例和工作流请参阅文档，完整文档涵盖反封锁、浏览器模式、会话与并发、无头与远程交接、Agent 设计、Skills 系统以及完整命令参考（阅读完整文档）。