Stagehand 浏览器自动化框架

要解决的问题

现有浏览器自动化工具大多卡在两端：要么用 Selenium、Playwright 这类框架手写选择器和等待逻辑，改动成本高；要么依赖纯自然语言驱动的高层 agent，页面结构稍有变化就容易产出不可预测的动作。生产环境里，这两种方案都很难长期维护。

工作机制

Stagehand 由 Browserbase 开源，思路是把自然语言指令与代码级控制混合使用。它在 Playwright 兼容的浏览器会话之上运行，允许开发者用接近日常语言的方式描述目标，同时保留在关键点插入硬编码约束的能力。

• 自动缓存与自愈：首次执行时，框架会记录页面上的动作序列；后续运行直接走缓存，无需经过 LLM 推理，降低延迟。当 DOM 变化导致旧动作失效时，Stagehand 会识别异常并切换到 AI 重新规划。
• 一次性启动：通过 npx create-browser-app 或仓库克隆后构建即可获得工程模板，项目结构默认按自动化脚本、数据提取和会话管理组织。
• 结构化提取：除了点击、输入等操作，框架还内置从当前页面抽取字段的能力，便于把结果直接绑定到数据模型。

适用边界

• 目前主要面向 Node.js 生态，Python 实现由社区维护，功能覆盖度与稳定性需要单独验证。
• 自动缓存依赖页面结构的稳定程度。高度动态的前端应用可能导致缓存频繁失效，实际性能需要在目标站点上做基准测试。
• 自愈能力能处理常见的 DOM 漂移，但遇到需要重新登录、跨域跳转或复杂验证码的场景，仍然需要手工补充控制逻辑。