什么是Agent Browser
Agent Browser 是一款专为自动化网页交互设计的命令行工具，通过简洁的指令集实现浏览器操作的完全控制。它基于 Chrome DevTools Protocol（CDP）构建，支持在无头模式下运行，也可切换至可视化界面进行调试。用户可以通过导航、页面快照、元素定位与操作等核心步骤，实现对网页的精准操控。该工具特别适合需要重复执行网页任务或集成到自动化流程中的开发者与测试人员，提供了一种轻量级但功能强大的替代方案。其设计注重易用性与可扩展性，既支持基础的单次操作，也支持复杂的多步工作流。 工具的核心工作流程分为四个阶段：首先使用 `open` 命令访问目标 URL；然后通过 `snapshot -i` 获取当前页面的可交互元素及其引用标识（如 `@e1`, `@e2`）；接着利用这些引用执行点击、填写、滚动等操作；最后根据 DOM 变化重新生成快照以确认状态。这种机制确保了即使在动态加载内容的现代网页中，也能稳定地定位和操作元素。此外，Agent Browser 还支持多种高级功能，包括视频录制、网络拦截、Cookie 管理、地理位置模拟以及扩展插件加载，极大增强了其在真实环境中的适用性。 无论是用于网站测试、数据抓取还是表单自动提交，Agent Browser 都能以脚本化方式高效完成任务。它不依赖图形界面，可在服务器或 CI/CD 环境中无缝运行，同时支持会话隔离与会话状态保存，便于在不同任务间复用登录凭证或缓存数据。整体而言，这是一款面向开发者和自动化工程师的专业级浏览器控制工具，兼顾灵活性与稳定性。
核心功能特点
- 支持完整的网页导航与页面加载控制，包括前进、后退、刷新及自定义协议处理
- 提供智能快照功能，自动提取页面元素并分配唯一引用标识（refs），便于后续精准操作
- 丰富的交互指令集，涵盖点击、双击、输入、下拉选择、文件上传、键盘事件和鼠标移动等
- 内置信息获取能力，可读取文本内容、HTML、属性值、样式属性和元素边界框等元数据
- 支持多标签页、窗口管理与 iframe 切换，满足复杂页面结构下的操作需求
- 具备网络层控制功能，允许拦截、修改或阻止特定请求，实现更真实的流量模拟
适用场景
Agent Browser 最适用于需要高度自动化且可重复执行的网页任务场景。例如，在持续集成（CI）环境中部署端到端测试时，它可以模拟用户登录、填写表单、提交订单并验证结果，全程无需人工干预。对于电商或 SaaS 平台而言，利用该工具定期检查账户余额、订单状态或通知消息，可实现监控告警系统的自动化数据采集。此外，在爬虫项目中，结合其状态保存与会话管理能力，能够绕过登录限制，长期维持已认证会话，从而合法合规地提取受保护内容。 另一个典型应用场景是产品演示与文档生成。通过编写简单的脚本调用 `record start` 和一系列交互命令，即可自动生成带操作的 WebM 视频，直观展示软件功能流程，比静态截图更具说服力。这对于内部培训材料制作或客户演示尤为实用。同时，借助 `–headed` 参数配合 `–json` 输出模式，开发者可以在本地调试时实时查看浏览器行为，并将结构化结果传递给其他系统模块进行分析处理。 在企业级应用中，Agent Browser 还可用于兼容性测试与地理定位验证。例如，设置不同设备视口（viewport）模拟移动端浏览体验，或使用 `–geo` 参数指定特定国家/地区的坐标，确保全球用户访问的一致性。配合代理服务器配置，甚至能轮换出口 IP 完成分布式抓取任务，避免被目标站点封禁。总之，任何涉及网页自动化、回归测试、监控巡检或交互式内容录制的场景，都能从 Agent Browser 的高效命令行接口中获益。