agent-browser

agent-browser 是由 Vercel 开源的一款专为 AI 智能体设计的无头浏览器自动化 CLI 工具，专为 AI 编程助手（如 Claude Code、Cursor、GitHub Copilot、Gemini、CodeWhisperer 等）提供可靠、高效的浏览器自动化能力。它以 AI 友好 为核心设计理念，通过结构化输出和确定性交互，让大模型能稳定地“操作网页”。

可通过 npm 一键安装：

npm install -g agent-browser

核心特性

• 通用兼容
  支持所有主流 AI 智能体，包括 Claude、Cursor、Copilot、Gemini、CodeLlama 等，无需定制适配。
• AI 优先设计
  snapshot 命令返回带唯一引用标识（如 @e1、@e2）的可访问性树（Accessibility Tree），使 LLM 能精准、可靠地引用页面元素，避免模糊描述导致的操作失败。
• 极速响应
  命令解析由原生 Rust CLI 实现，启动快、延迟低；浏览器控制由轻量级 Node.js 守护进程管理，兼顾性能与兼容性。
• 功能全面
  提供 50+ 条命令，覆盖：
  • 页面导航（open, go-back, reload）
  • 元素交互（click, type, hover）
  • 表单操作（fill, select）
  • 截图（screenshot）
  • 网络与存储（cookies, localStorage）
  • 多会话管理（--session）
• 多会话隔离
  支持同时运行多个独立浏览器实例，每个会话拥有独立 Cookie、缓存和登录状态，适用于多账号或并行任务场景。
• 跨平台原生支持
  提供 macOS（ARM64/x64）、Linux（ARM64/x64）、Windows（x64）的预编译二进制文件，开箱即用。
• 无服务器依赖
  可指定自定义 Chromium 路径，亦支持嵌入轻量级 Chromium 构建，适合本地或边缘环境部署。

使用示例

# 打开网页并获取结构化快照
agent-browser open https://example.com
agent-browser snapshot -i

# 输出示例：
# - 标题 "Example Domain" [ref=e1]
# - 链接 "More information..." [ref=e2]

# 通过引用标识精准点击
agent-browser click @e2

# 截图保存
agent-browser screenshot page.png

# 关闭当前会话
agent-browser close

为何使用“引用标识”？

传统自动化依赖 XPath 或 CSS 选择器，但这些对 LLM 来说难以生成且易失效。agent-browser 采用 快照 + 引用标识 的机制：

• 确定性：每个 @eX 唯一对应快照中的一个 DOM 元素
• 高效性：无需重复查询 DOM，直接通过 ID 定位
• AI 友好：LLM 只需记住或引用 @e2，即可完成后续操作，大幅降低出错率

🏗️ 架构设计

采用 客户端-守护进程 模式，兼顾速度与稳定性：

• Rust CLI 客户端：负责命令解析、参数校验与用户交互，启动极快
• Node.js 守护进程：后台运行 Playwright 浏览器实例，管理会话生命周期
• 守护进程在首次调用时自动启动，并在多次命令间复用，避免重复初始化开销

📦 支持平台