浏览器自动化工具-免费版

核心功能: 本技能提供中文交互、化工作流场景等能力。

浏览器自动化工具(免费版)

概述

本工具通过自然语言指令驱动浏览器交互,用户无需编写复杂的选择器或脚本,只需用自然语言描述想做的动作,工具即可自动完成浏览器操作。免费版使用本地 Chrome 浏览器,适合个人开发者的快速自动化与原型验证。

与传统浏览器自动化的区别

核心能力

命令总览

输出: 返回命令总览的执行结果,包含操作状态和输出数据。

核心功能执行

用input_params参数进行配置。

输出: 返回核心功能执行的执行结果,包含操作状态和输出数据。

• 执行此能力时使用input_params参数,支持创建/查询/导出操作

参数配置与调用

用config_options参数进行配置。

输出: 返回参数配置与调用的执行结果,包含操作状态和输出数据。

• 执行此能力时使用config_options参数,支持修改/重置/导入操作 能力覆盖范围：本skill的核心能力覆盖以下场景关键词：通过自然语言驱动、浏览器交互的、CLI、支持本地、Chrome、适合个人开发者快、速自动化、通过自然语言指令、驱动浏览器交互的、命令行工具、用户可用自然语言、描述动作、工具自动转化为浏、览器操作、降低自动化脚本编、写门槛、核心能力、自然语言驱动的浏、结构化数据提取、元素发现与观察、浏览器支持、截图与页面导航等。这些关键词对应description中声明的使用场景,均已在上述能力点中提供对应的操作支持。

使用场景

场景一:快速信息采集

个人用户希望从网页快速提取信息,无需编写选择器。

# 导航到目标页面
browser navigate https://example.com

# 用自然语言提取数据
browser extract "获取页面标题和描述"

# 提取结构化数据(带 schema)
browser extract "获取商品列表" '{"items":[{"name":"string","price":"number"}]}'

# 关闭浏览器
browser close

场景二:自然语言驱动的表单填写

用自然语言描述动作,自动完成表单填写。

# 用自然语言执行动作
browser act "在用户名输入框填入 myuser"
browser act "在密码输入框填入 mypassword"
browser act "点击提交按钮"

# 截图确认结果
browser screenshot

browser close

场景三:页面元素探索

不熟悉页面结构时,先用 observe 发现可用元素。

# 观察页面有哪些可交互元素
browser observe "页面上有哪些按钮"

# 根据观察结果执行动作
browser act "点击领先个蓝色的按钮"

# 提取观察到的内容
browser extract "获取页面所有标题文本"

不适用场景

以下场景浏览器自动化工具-免费版不适合处理：

• 无明确技术栈的模糊需求
• 纯架构设计决策
• 运维部署管理

触发条件

需要代码生成、编程辅助、调试测试、开发部署时使用。不适用于非本工具能力范围的需求。

快速开始

依赖详情

检查工具目录下的 setup.json,若 setupComplete: false:

# 安装依赖
npm install

# 创建全局 browser 命令
npm link

2. 环境选择(自动)

本工具自动选择浏览器环境:

1. 本地 Chrome 模式(默认):无需额外配置,使用本机 Chrome 浏览器
2. 远程浏览器模式:若配置了远程浏览器服务的 API Key,自动切换至远程环境

免费版默认使用本地 Chrome 模式,无需额外配置。

3. 基础工作流

# 导航到页面

# 用自然语言执行动作
browser act "点击 Sign In 按钮"

# 提取数据
browser extract "获取页面标题"

# 截图
browser screenshot

# 关闭浏览器
browser close

结果处理: 执行完成后,查看输出结果确认操作状态。成功时输出包含处理摘要和结果数据;失败时根据错误信息排查问题,查阅错误处理章节获取恢复步骤。

示例

自然语言动作示例

# 点击类动作
browser act "点击登录按钮"
browser act "点击右上角的购物车图标"
browser act "点击领先个搜索结果"

# 输入类动作
browser act "在搜索框输入 AI agents"
browser act "在邮箱字段填入 test@example.com"

# 导航类动作
browser act "滚动到页面底部"
browser act "切换到第二个标签页"

# 复合动作
browser act "展开侧边栏菜单然后点击设置"

数据提取示例

# 简单提取
browser extract "获取页面标题"

# 带 schema 的结构化提取
browser extract "获取商品信息" '{"name":"string","price":"number","stock":"boolean"}'

# 提取列表数据
browser extract "获取新闻列表" '{"items":[{"title":"string","date":"string"}]}'

观察元素示例

# 观察可交互元素
browser observe "页面有哪些按钮"
browser observe "有哪些输入框"
browser observe "导航栏有哪些链接"

模式对比

优选实践

1. 先导航再操作:所有交互前必须先 navigate 到目标页面。
2. 动作描述要具体:例如"点击蓝色的提交按钮"优于"点击按钮"。
3. 每次操作后截图:用 screenshot 验证操作结果。
4. 不熟悉页面先用 observe:探索页面结构后再执行动作。
5. 结构化提取用 schema:提取复杂数据时附带 JSON schema,结果更准确。
6. 完成后关闭浏览器:close 释放资源。

常见问题

Q1: Chrome 未找到?

• 确认本机已安装 Chrome 浏览器
• 检查 Chrome 是否在默认路径
• 如本机无 Chrome,可考虑使用远程浏览器模式(需配置 API Key)

Q2: 动作执行失败?

• 使用 browser observe 先发现可用元素
• 尝试用更具体的描述(如"点击蓝色的登录按钮"而非"点击按钮")
• 截图查看当前页面状态:browser screenshot

Q3: 提取的数据不准确?

• 为 extract 提供 JSON schema,明确字段类型
• 拆分复杂提取为多个简单步骤
• 先 observe 确认页面结构,再针对性提取

Q4: Browserbase 模式失败?

• 验证 API Key 与项目 ID 是否正确配置
• 检查 .env 文件中的 BROWSERBASE_API_KEY 与 BROWSERBASE_PROJECT_ID
• 确认远程浏览器服务配额未耗尽

已知限制

免费版使用本地 Chrome 浏览器,适合个人开发与原型验证。如需远程浏览器、隐身模式、代理/CAPTCHA 处理、批量任务等高阶能力,请升级至专业版。

Q6: 如何调试?

# 截图查看当前状态
browser screenshot
# 观察页面元素
browser observe "页面上有哪些可交互元素"

依赖说明

运行环境

• Agent 平台: 支持SKILL.md的任意AI Agent(Claude Code / Cursor / Codex / Gemini CLI等)
• 操作系统: Windows / macOS / Linux
• Chrome 浏览器: 必需(本地模式)

第三方依赖

API Key 配置

• 本 Skill 基于Markdown指令,无需额外API Key(除内容中明确标注的外部API)
• 本地模式:无需额外 API Key
• 远程浏览器模式(可选):需配置 BROWSERBASE_API_KEY 与 BROWSERBASE_PROJECT_ID

可用性分类

• 分类: MD+execute(纯Markdown指令,部分功能需exec命令行执行)
• 说明: 基于Markdown的AI Skill,通过自然语言指令驱动Agent完成操作

错误处理

安全注意事项

使用前请确认已阅读依赖说明章节，确保运行环境满足安全要求。

核心功能

• 自动化执行: 基于指令驱动的自动化流程
• 文件处理: 支持多种文件格式的读取、解析和写入操作
• API集成: 通过标准化接口调用外部服务并处理响应
• 命令执行: 在安全沙箱中执行系统命令并收集结果
• 信息检索: 快速搜索和过滤目标数据

核心功能

• 自动化执行: 基于指令驱动的自动化流程
• 文件处理: 支持多种文件格式的读取、解析和写入操作
• API集成: 通过标准化接口调用外部服务并处理响应
• 命令执行: 在安全沙箱中执行系统命令并收集结果
• 信息检索: 快速搜索和过滤目标数据