agent-browser 是 Vercel Labs 开源的一个命令行工具,专门解决一个问题:让 AI 智能体能像人一样用浏览器——打开页面、看懂页面、点按钮、填表单,但全程用命令驱动。它是 Rust 写的原生 CLI,Apache-2.0 许可证,GitHub 实时 52,368 星(本站核对:2026-11-18)。本站已在沙箱里实测拉起它的 CLI 本体(版本 0.43.0,与 npm 注册表最新版一致),命令与技能系统均可正常响应;浏览器本体的下载与真实网页操作未在本机实测,文中相应步骤以官方 README 与文档为准。

能干什么

它和普通自动化工具最大的不同在「看页面」的方式:命令 snapshot 把当前页面返回成一份紧凑的无障碍树文本,每个可交互元素带一个编号(如 @e1)。智能体读这份文本就知道页面上有什么,然后用编号下命令点击、输入,每做一步再 snapshot 一次确认结果。浏览器在命令之间保持打开,所以整个流程就是一串短命令。

一个最小例子(出自官方 README):

  1. agent-browser open example.com 打开页面
  2. agent-browser snapshot -i 只看可交互元素及其编号
  3. agent-browser click @e1 点击编号为 e1 的元素
  4. agent-browser get url 检查结果
  5. agent-browser close 收尾

优缺点

优点:给智能体的页面表示是纯文本编号,不靠截图猜坐标,省 token 也更稳;点击目标被遮挡、隐藏或禁用时它会明确报错而不是假装成功(README 原话口径),智能体能据此换路;浏览器引擎可换(默认 Chrome for Testing,也能接已开的 Chrome、Lightpanda、Obscura 等引擎与云浏览器服务);CLI 自带与版本匹配的技能说明,智能体可用 agent-browser skills get core 先读官方用法再动手。

缺点与边界:它是指令驱动的工具,没有图形界面,上手要先理解 snapshot+编号这套工作方式;编号只对应当次快照,页面跳转或内容变化后必须重新 snapshot,拿旧编号点新页面必然失败;它解决的是「操作浏览器」,登录态、验证码这类站点侧的关卡不在它的职责内。

下载与安装(按官方 README)

  1. 装有 Node.js 的环境里,全局安装:npm install -g agent-browser。
  2. 第一次要下载浏览器本体:agent-browser install(下载 Chrome for Testing)。Linux 上用 agent-browser install --with-deps 连系统依赖一起装。
  3. macOS 也可以走 Homebrew:brew install agent-browser,之后同样跑一次 agent-browser install。
  4. 不想全局安装:npx agent-browser open example.com 直接跑(本站实测 npx 拉起的版本为 0.43.0)。

卡点提醒:第二步的浏览器下载是整条链里最容易卡的一步,网络不通时先解决下载源,不要反复重装 CLI 本体——本体装没装好,用 agent-browser --version 一测便知。

调用与使用

  1. 先让你的智能体读官方技能说明:agent-browser skills get core,里面是与当前版本匹配的工作流与命令范式,比让它自己猜命令可靠。
  2. 日常操作三件套:open 开页、snapshot 看页(加 -i 只看可交互元素)、按编号 click/fill 等动作;每完成一步重新 snapshot 确认。
  3. 除了编号,也支持 CSS 选择器、文本、XPath 与语义定位(如按角色和名字找按钮),编号不顺手时换定位方式。
  4. 多任务并行时用 --session 开独立会话,每个会话有自己的浏览器,互不干扰。
  5. 已开着的 Chrome 想直接接管,用 --cdp 或 --auto-connect 连接(细节见官方文档的 CDP 模式一节)。

调教成自己的

  • 把常用流程写成你自己的技能或脚本:例如「打开后台→snapshot→点导出→snapshot 确认→下载」,步骤固定后让智能体照单执行。
  • 无头浏览器默认在一段时间无命令后自动关闭并保存状态(官方文档有会话持久化配置),长流程先把持久化配好,避免中途状态丢失。
  • 云端跑批量任务时,可按官方文档接云浏览器服务商,本地只发命令。

玩法:自媒体小编的「每日选题巡查」

模拟一位做科技内容的小编:每天要巡查几个固定网站的更新,卡点是页面结构各异、人工点开抄标题又慢又容易漏。借助 agent-browser 的打法:

  1. 把巡查清单写成固定步骤:逐个 open 目标页,snapshot 取回页面结构文本。
  2. 让智能体只从文本里挑「今天新增」的条目(标题+链接),汇总成一份清单——因为 snapshot 给的是结构化文本,挑新条目是文本活,不用看图猜。
  3. 遇到需要登录后才能看的站,先用 –cdp 接管自己已登录的 Chrome 再巡查,账号密码不经过工具。
  4. 清单稳定跑几天后,把整套步骤沉淀成自己的技能,以后每天一句话触发。

避坑指南

  • 编号失效:页面一变就重新 snapshot,这是使用纪律,不是 bug。
  • 点击失败先看遮挡:官方口径——目标被弹窗、横幅盖住时点击会直接失败;先关掉遮挡层、重新 snapshot 再点。
  • 下载卡住:agent-browser install 拉的是浏览器本体,体积大;公司网络或代理环境先单独验这一步。
  • 别让智能体瞎猜命令:先 skills get core 读官方说明,能省掉大量试错。

档案

  • 仓库:github.com/vercel-labs/agent-browser;许可证 Apache-2.0;语言 Rust;官网文档 agent-browser.dev。
  • 星数 52,368(2026-11-18 实时核对);npm 包 agent-browser 最新版 0.43.0(注册表核对)。
  • 本站验证痕迹:沙箱内 npx 拉起 CLI 本体,–version 输出 0.43.0,–help 与 skills 列表正常;浏览器下载与真实站点操作未实测,文中已分别标注以官方文档为准。

常见问题

它和 Playwright、Selenium 是一回事吗?定位不同:那些是给人写测试脚本的框架,agent-browser 是给智能体下命令用的 CLI,页面以编号文本的形式喂给智能体,工作方式围绕「看一步、走一步」设计。

不会写代码能用吗?它的主要用法是让智能体来驱动,你负责把任务说清;自己直接敲命令也行,命令都是短句。

商用可以吗?Apache-2.0 许可证允许商用,保留许可证与声明即可(许可证原文以仓库 LICENSE 为准)。

站内往下读:AI智能体栏目、Codex 插件和 Claude 插件:去哪找、怎么装。装不上、跑不通的可以看本站配置跑通服务。