技能介绍

要解决的问题

给 AI Agent 做浏览器自动化，主流方案绕不开 Playwright 或 Puppeteer：两者都是 Node.js 生态的产物，启动慢、依赖重，还要求宿主环境装有 Node。更麻烦的是 Agent 常用的「截图 + 视觉模型」路线本身很脆弱——页面布局一变、元素位置偏移几像素，模型就可能点错按钮。agent-browser 针对的就是这两个痛点：让浏览器自动化足够轻、足够快，同时给 Agent 一种比像素坐标可靠得多的「看懂」页面的方式。

核心能力与工作方式

agent-browser 是一个原生 Rust 实现的 CLI，通过 Chrome DevTools Protocol（CDP）直连本机的 Chrome/Chromium，运行时不依赖 Playwright 或 Puppeteer。它的核心机制是无障碍树（accessibility tree）快照：Agent 拿到的不是截图，而是页面的结构化语义描述，每个可交互元素被压缩成类似 @e12 的短引用。Agent 只需在指令里引用这个代号，CLI 会把它映射回真实 DOM 节点再执行操作，从根本上绕开了基于坐标点击的不确定性。

工程化能力方面，它提供多会话管理、登录凭据保管（authentication vault）、状态持久化和操作录屏，便于事后调试与回放失败流程。

使用时需要注意：仓库里的 SKILL.md 只是一个「发现桩」（discovery stub），真正的工作流内容由 CLI 动态提供（如 agent-browser skills list），这样文档永远与已安装版本保持一致，不会过期。针对网页之外的场景，还有专门的技能包，覆盖以下方向：

Electron 桌面应用
Slack
探索性测试
云服务商控制台

适用边界与注意点

可观测性仪表盘默认监听 4848 端口，并且独立于浏览器会话运行，也可以通过 https://dashboard.agent-browser.localhost 这类代理或转发地址访问。Agent 应始终停留在仪表盘自身的 origin 上：会话标签页、状态和流式流量都在内部代理，因此不需要对外暴露各个浏览器会话的端口，这在远程或受限网络环境中是一条重要的安全边界。