浏览器自动化智能体设计指南

浏览器自动化最让人头疼的不是「AI 能不能点那个按钮」，而是点完之后到底发生了什么。智能体对着改版后的页面自信地连续点击，直到支付完成才发现顺序错了——这类失败往往很晚才暴露，日志里也看不出异常。这个技能把决策标准、执行约束和恢复策略一次性讲清楚，让你在写第一行代码前就想明白该用脚本还是该用模型。

先做判断：脚本还是智能体

把场景拆成两个维度：页面结构是否稳定，流程步骤是否确定。固定报表导出、自家产品巡检这类任务，选择器定位就能跑，毫秒级执行、成本接近零，出错也是选择器失效这种好发现的问题。只有面对多站点异构页面、需要临场判断时，才值得让模型介入——每一步都要付出 token 成本和秒级延迟，且要接受它可能「理解错但不承认错」的特性。

生产环境优先用混合架构：登录、翻页、导出 这类主流程交给脚本，只在识别异构表格、判断页面状态、兜底恢复这些不确定环节调用 AI。

智能体设计的四个要素

页面感知：优先喂结构化信息。可访问性树和 DOM 摘要比截图便宜且稳定，截图只留给纯视觉任务。整页 DOM 动辄几万 token，必须先按任务裁剪可视区域再投喂。

动作空间：只开放白名单动作，点击、输入、滚动、等待、读取 之外一律不提供。高危动作设确认门——支付、删除、对外发送、修改账户信息必须人工确认或直接禁用。每个动作后强制「观察结果→确认生效」，不允许盲操作连招。

任务规划：大任务拆成检查点式子目标，每个检查点要有可验证的判据，比如某个元素出现或 URL 变化，而不是靠模型自我感觉。同时设最大步数熔断和重复动作熔断，同一按钮点三次没反应就停下来。

失败恢复：元素找不到时按「等待重试→滚动查找→换语义描述→上报」逐级降级；常见弹窗建立关闭规则库；登录态失效时检测到登录页特征即暂停并通知人工，不自动重试密码；页面改版时由 AI 兜底识别，同时告警提示维护脚本。

工程细节与红线

稳定性上，等待一律用条件等待而非固定 sleep；每步截图和动作日志留档以便回放；两次操作之间加随机延迟；抽取的数据做 schema 校验，脏数据不入库；定时任务连续两次结果异常波动即告警，而不是静默入库。

安全边界是硬约束：登录凭证走系统级密钥管理注入，绝不写进 prompt 或代码，日志里同步过滤。只采集公开页面或自己账号有权访问的数据，批量抓取他人个人信息直接拒绝。目标网站明确禁止自动化访问的，提示风险并建议走官方 API。下单、支付、删除类不可逆操作默认关闭。

这个技能提供的是设计方法论，具体工具的 API 以其官方文档为准。