Stagehand 浏览器自动化

要解决的痛点

浏览器自动化长期处在两难之中：走 Playwright、Puppeteer、Selenium 这条路，你得为每个选择器、每个等待条件写低层代码，页面结构一变，脚本就断；走高层 agent 那条路，模型直接决定下一步点哪里，单次演示看着很惊艳，落到生产环境却难以复现、难以审计、难以回归。Stagehand 想填平这个缝隙——让你用一句自然语言描述「要做什么」，同时保留写确定性代码的能力，两者在同一个工作流里共存。

它如何工作

• 自然语言与代码混写：复杂分支、状态断言、数据变换仍然交给你写的代码，机械的点击、填充、滚动交给自然语言动作，不必逐个元素去查 DOM。
• Playwright 级控制：底层仍是你熟悉的浏览器驱动能力，等待、导航、多标签、拦截请求这些操作不会因为引入了 AI 而丢失。
• 结构化提取：从页面里抽字段（标题、价格、表格）时可以直接指定要什么结构，而不是把整页 HTML 丢给模型再慢慢解析。
• auto-caching 与 self-healing：它会记住之前跑过的动作序列，站点没变时直接复用，不再调用 LLM 推理，因此重复任务的成本和延迟都显著下降；当页面结构变化导致原流程失效，它再把判断权交回 AI，重新生成可执行的动作。这就是「写一次，跑很久」的实际含义。

适用边界与注意点

• 这套技能默认面向 Node/TypeScript 工作流，Python 实现是另一条独立分支，需要另找对应仓库，别指望同一份代码两种语言通用。
• 缓存的稳定性建立在站点结构长期不变的前提下。对设计频繁改版的站点，缓存命中率会下降，届时你会更多依赖模型实时推理，成本与波动性也随之上升。
• AI 负责「决定下一步做什么」，不负责保证结果正确。涉及金额、权限、状态变更的操作，仍然要写确定性断言，别把校验也外包给模型。