什么是Agent Browser
Agent Browser 是一个面向浏览器自动化的命令行工具，定位很明确：让人或 AI 代理通过一组结构化指令去控制网页，而不是依赖坐标点击或零散脚本。证据包显示，它以 Rust 为基础实现无头浏览器自动化，并提供 Node.js 回退方案，核心交互方式是先打开页面、生成快照，再基于快照里分配的元素引用执行点击、输入、滚动、读取信息等操作。这种流程把网页操作拆成可追踪的步骤，对需要稳定执行的自动化任务尤其友好。
它的使用逻辑也比较适合代理式工作流。工具支持先用 snapshot 获取整页的可访问性树，或者只拿交互元素列表，并为每个元素分配类似 @e1、@e2 的引用。后续命令围绕这些引用展开，例如 click、fill、select、hover、drag、upload，以及 get text、get attr、is visible 这类读取与检查动作。由于页面跳转或 DOM 变化后引用会更新，文档也明确建议在导航后重新生成快照，这让整个流程更接近“观察页面—确认目标—执行动作—再次确认结果”的闭环，而不是一次性把所有步骤硬编码进去。
从能力边界看，Agent Browser 不只是“替代人工点网页”的简单工具。它还提供等待条件、标签页和窗口切换、iframe 切换、对话框处理、执行 JavaScript、保存与载入会话状态、隔离 session 并行运行，以及面向程序解析的 JSON 输出。再往下还有截图、PDF 导出、页面录屏、控制台日志、页面报错、trace 记录、CDP 连接等调试与留痕能力。这意味着它既能承担自动化执行，也能承担排查问题、复现过程和生成演示材料的工作，适合放进更完整的开发或代理系统里使用。
核心功能特点
- 以“打开页面—生成快照—按元素引用交互”为核心流程，适合让 AI 代理按结构化命令稳定操作网页。
- 既能执行点击、输入、键盘、滚动、拖放、上传等常见动作，也能读取文本、属性、URL、标题和元素状态。
- 支持语义定位方式，可按 role、文本、label、选择器或第几个匹配项查找目标，不必只依赖快照引用。
- 内置等待、标签页与 iframe 切换、对话框处理、JavaScript 执行和会话状态保存，能覆盖较完整的网页流程。
- 提供截图、PDF、录屏、控制台与错误查看、trace 记录和 JSON 输出，便于调试、审计和接入上层程序。
适用场景
如果团队正在做 AI 代理、浏览器助手或基于 CLI 的自动化系统，Agent Browser 的价值会比较直接。它把网页操作抽象成一条条可调用的命令，还能返回机器可读的 JSON 结果，这意味着上层代理可以先读取页面快照，再决定下一步点击哪里、填写什么内容、是否等待跳转完成。对于需要不断根据页面反馈调整动作的任务，例如登录后继续访问后台、在表单提交后检查结果、根据页面文本判断流程是否成功，它比单纯录制脚本的方式更适合做动态决策。
在测试、验证和问题复现方面，这类工具也有明显用途。开发者可以用它快速检查页面交互是否可达，验证按钮、输入框、下拉框、弹窗、iframe、标签页切换等环节是否按预期工作；遇到页面状态不稳定时，还能配合 wait、console、errors、highlight 和 trace 命令定位问题。文档中的状态保存与加载机制，则适合把一次登录后的会话复用到后续流程里，避免每次都从认证步骤开始，尤其适合需要反复回归验证的后台系统。
它同样适合生成可交付的操作材料。截图、整页截图、PDF 导出和视频录制可以把自动化过程沉淀为演示文件，适用于产品演示、缺陷复现、测试留档或异步协作。录屏会在新的上下文里启动，但保留当前会话的 cookies 和存储状态，这种设计对“先手动走通一次，再录一段清晰演示”尤其方便。再加上可设置视口、设备、地理位置、离线模式、请求拦截与模拟响应，Agent Browser 更适合那些既要自动执行、又要观察页面在不同条件下表现的开发与测试场景。