Vercel Agent 浏览器

AI Agent 为什么需要专用浏览器

LLM Agent 无法像人类用户那样直接操作浏览器。当 Agent 需要完成「登录后台并提交表单」这类任务时，模型的意图和真实 DOM 之间必须有一层可编程的接口。传统自动化框架暴露的 API 过于底层，Agent 得手写选择器、处理等待和各种弹窗，这些环节既消耗 token 又容易出错。

Vercel Agent Browser 选择用 CLI 解决这个问题：它把浏览器操作封装成一组命令行工具，Agent 通过调用命令、解析返回的文本来决定下一步动作。

它如何工作

核心流程分三个阶段：

• 感知页面状态：打开页面后生成可访问性快照（accessibility snapshot），内容是语义化的页面结构——标题、按钮、输入框等，远比完整 DOM 更适合模型消费。
• 元素定位与交互：通过可访问名称定位元素，--name 按角色过滤，--exact 要求文本完全匹配。相比 CSS 选择器，这种方式对页面结构变化更稳健。
• 状态捕获：操作完成后可截图或重新读取快照，确认页面状态后再规划下一步。

这个「感知—决策—执行」的循环和 Agent 逐步推理的工作方式天然对应。

适用边界与注意点

• 运行环境需要 Node.js 和 Chrome（或 Chrome for Testing），没有浏览器的机器上无法直接工作。
• 默认自动接受 alert 与 beforeunload 弹窗，避免阻塞 Agent；但 confirm 和 prompt 弹窗仍需显式处理。如需关闭自动处理，可使用 --no-auto-dialog 或设置环境变量 AGENT_BROWSER_NO_AUTO_DIALOG=1。
• 该工具面向命令行驱动的 Agent 场景。如果你的框架已经内置 Playwright 或 Puppeteer 层，再引入它属于重复建设。