agent-browser

agent-browser官网

agent-browser 是 Vercel Labs 开源的面向 AI Agent 的浏览器自动化 CLI 工具，采用原生 Rust 编写，基于 Chrome DevTools Protocol 直接操控真实 Chrome 浏览器，代码托管在 GitHub 的 vercel-labs/agent-browser 仓库。https://agent-browser.dev/ 是其官方网址。它通过紧凑的无障碍树 Snapshot 与 Ref 引用机制，为大模型提供上下文高效的网页交互能力，支持 50 多条浏览器操作命令、多会话隔离、云浏览器接入以及实时可观测性面板，是给 Agent 装上”手和眼”的底层工具。

主要功能

• Snapshot 与 Ref 引用：输出紧凑的网页无障碍树并附带确定性元素引用，AI 无需重复查询 DOM 即可精准定位与操作元素。
• 50+ 浏览器命令：覆盖导航、表单、鼠标、键盘、剪贴板、网络拦截、标签页管理、PDF 导出等完整浏览器控制能力。
• 语义化元素定位：支持按 ARIA 角色、文本内容、标签、占位符、alt 文本等语义方式查找元素，降低选择器维护成本。
• 多会话隔离：多个浏览器会话可并行运行，各自拥有的 Cookie、存储、认证与导航历史。
• 网络监控与视觉对比：可拦截、阻断、Mock 网络请求并录制 HAR，同时支持全页截图、像素级视觉 Diff 与快照文本 Diff。
• 可观测性与自然语言控制：内置 React 与 Web Vitals 内省、WebSocket 实时画面推送和本地面板，也可用自然语言指令驱动浏览器完成复杂任务。

如何使用agent-browser

先执行 npm install -g agent-browser 全局安装原生二进制，随后运行初始化命令自动下载配套的 Chrome for Testing，或直接复用本机已有的 Chrome、Brave 浏览器。安装完成后用 open 命令打开目标页面，再输出页面的无障碍树快照，即可拿到元素引用列表。

拿到引用后就可以像下指令一样操作浏览器：点击指定元素、向表单填入内容、滚动页面、截图或导出 PDF，全部通过简短的命令行语句完成。任务结束后关闭会话即可释放资源。整个流程对 Agent 十分友好，快照按需输出，显著压缩了上下文占用。

使用场景

• Agent 网页自动化：让大模型自主完成信息检索、表单填写、数据抓取与竞品监控等端到端任务。
• 端到端测试与回归：借助快照 Diff 与截图像素对比做 UI 回归测试，语义定位也让断言更稳健。
• 无头数据采集：在 CI/CD 或 Serverless 环境中执行结构化抓取与报告生成。
• 移动端 Web 测试：通过模拟器或真机控制移动浏览器，验证页面兼容性与交互流程。
• 前端性能监控：自动采集 Web Vitals 指标与 React 组件渲染数据，接入监控流水线。

常见问题

agent-browser 和无头浏览器方案有什么区别？

它通过 CDP 操控真实 Chrome 而非无头内核，天然携带真实浏览器环境，降低了被网站风控拦截的概率，同时提供多会话隔离与更低的上下文开销。

支持哪些操作系统？

提供 macOS（ARM64/x64）、Linux（ARM64/x64）与 Windows（x64）的原生编译版本，纯 Rust 二进制无需 Node 运行时或 Playwright 依赖。

它是免费开源的吗？

是的，项目由 Vercel Labs 开源维护，官网与仓库均可免费获取；需要弹性扩展时还可一键接入 Browserbase 等第三方云浏览器服务。

官网网址：

agent-browser官网：https://agent-browser.dev/

OpenI AI时代点评

agent-browser 的设计哲学是”为 LLM 省上下文”：紧凑快照加确定性引用，把一次网页操作的 token 开销压到极低，这正是 Agent 高频调用浏览器时最要命的瓶颈；Rust 原生实现又保证了轻量与跨平台。适合自建 Agent 工作流、做自动化测试与数据采集的开发者。要注意它的反检测能力来自真实浏览器直连，若目标站点风控极强还需配合云浏览器服务。同类工具可参考 OpenI 收录的 DeepSkill、AgentMore、CC Switch 等技能生态。