agent-browser

使用代理浏览器实现浏览器自动化

核心工作流

每次浏览器自动化都遵循以下模式：

1. 导航：agent-browser open <url>
2. 快照：agent-browser snapshot -i（获取 @e1、@e2 等元素引用）
3. 交互：使用引用进行点击、填写和选择
4. 重新获取快照：导航或 DOM 发生变化后，获取新的引用

agent-browser open https://example.com/form
agent-browser snapshot -i
# Output: @e1 [input type="email"], @e2 [input type="password"], @e3 [button] "Submit"

agent-browser fill @e1 "[email protected]"
agent-browser fill @e2 "password123"
agent-browser click @e3
agent-browser wait --load networkidle
agent-browser snapshot -i  # Check result

命令串联

可以在一次 shell 调用中使用 && 串联命令。浏览器会通过后台守护进程在各条命令间保持运行，因此串联命令安全且比单独调用更高效。

# Chain open + wait + snapshot in one call
agent-browser open https://example.com && agent-browser wait --load networkidle && agent-browser snapshot -i

# Chain multiple interactions
agent-browser fill @e1 "[email protected]" && agent-browser fill @e2 "password123" && agent-browser click @e3

# Navigate and capture
agent-browser open https://example.com && agent-browser wait --load networkidle && agent-browser screenshot page.png

**何时串联：**如果无需读取中间命令的输出即可继续操作（例如，打开页面 + 等待 + 截图），请使用 &&。如果需要先解析输出（例如，先通过快照发现引用，再使用这些引用进行交互），请分开运行命令。

基本命令

# Navigation
agent-browser open <url>              # Navigate (aliases: goto, navigate)
agent-browser close                   # Close browser

# Snapshot
agent-browser snapshot -i             # Interactive elements with refs (recommended)
agent-browser snapshot -i -C          # Include cursor-interactive elements (divs with onclick, cursor:pointer)
agent-browser snapshot -s "#selector" # Scope to CSS selector

# Interaction (use @refs from snapshot)
agent-browser click @e1               # Click element
agent-browser click @e1 --new-tab     # Click and open in new tab
agent-browser fill @e2 "text"         # Clear and type text
agent-browser type @e2 "text"         # Type without clearing
agent-browser select @e1 "option"     # Select dropdown option
agent-browser check @e1               # Check checkbox
agent-browser press Enter             # Press key
agent-browser scroll down 500         # Scroll page

# Get information
agent-browser get text @e1            # Get element text
agent-browser get url                 # Get current URL
agent-browser get title               # Get page title

# Wait
agent-browser wait @e1                # Wait for element
agent-browser wait --load networkidle # Wait for network idle
agent-browser wait --url "**/page"    # Wait for URL pattern
agent-browser wait 2000               # Wait milliseconds

# Capture
agent-browser screenshot              # Screenshot to temp dir
agent-browser screenshot --full       # Full page screenshot
agent-browser screenshot --annotate   # Annotated screenshot with numbered element labels
agent-browser pdf output.pdf          # Save as PDF

# Diff (compare page states)
agent-browser diff snapshot                          # Compare current vs last snapshot
agent-browser diff snapshot --baseline before.txt    # Compare current vs saved file
agent-browser diff screenshot --baseline before.png  # Visual pixel diff
agent-browser diff url <url1> <url2>                 # Compare two pages
agent-browser diff url <url1> <url2> --wait-until networkidle  # Custom wait strategy
agent-browser diff url <url1> <url2> --selector "#main"  # Scope to element

常见模式

提交表单

agent-browser open https://example.com/signup
agent-browser snapshot -i
agent-browser fill @e1 "Jane Doe"
agent-browser fill @e2 "[email protected]"
agent-browser select @e3 "California"
agent-browser check @e4
agent-browser click @e5
agent-browser wait --load networkidle

使用状态持久化进行身份验证

# Login once and save state
agent-browser open https://app.example.com/login
agent-browser snapshot -i
agent-browser fill @e1 "$USERNAME"
agent-browser fill @e2 "$PASSWORD"
agent-browser click @e3
agent-browser wait --url "**/dashboard"
agent-browser state save auth.json

# Reuse in future sessions
agent-browser state load auth.json
agent-browser open https://app.example.com/dashboard

会话持久化

# Auto-save/restore cookies and localStorage across browser restarts
agent-browser --session-name myapp open https://app.example.com/login
# ... login flow ...
agent-browser close  # State auto-saved to ~/.agent-browser/sessions/

# Next time, state is auto-loaded
agent-browser --session-name myapp open https://app.example.com/dashboard

# Encrypt state at rest
export AGENT_BROWSER_ENCRYPTION_KEY=$(openssl rand -hex 32)
agent-browser --session-name secure open https://app.example.com

# Manage saved states
agent-browser state list
agent-browser state show myapp-default.json
agent-browser state clear myapp
agent-browser state clean --older-than 7

数据提取

agent-browser open https://example.com/products
agent-browser snapshot -i
agent-browser get text @e5           # Get specific element text
agent-browser get text body > page.txt  # Get all page text

# JSON output for parsing
agent-browser snapshot -i --json
agent-browser get text @e1 --json

并行会话

agent-browser --session site1 open https://site-a.com
agent-browser --session site2 open https://site-b.com

agent-browser --session site1 snapshot -i
agent-browser --session site2 snapshot -i

agent-browser session list

连接到现有 Chrome

# Auto-discover running Chrome with remote debugging enabled
agent-browser --auto-connect open https://example.com
agent-browser --auto-connect snapshot

# Or with explicit CDP port
agent-browser --cdp 9222 snapshot

可视化浏览器（调试）

agent-browser --headed open https://example.com
agent-browser highlight @e1          # Highlight element
agent-browser record start demo.webm # Record session
agent-browser profiler start         # Start Chrome DevTools profiling
agent-browser profiler stop trace.json # Stop and save profile (path optional)

本地文件（PDF、HTML）

# Open local files with file:// URLs
agent-browser --allow-file-access open file:///path/to/document.pdf
agent-browser --allow-file-access open file:///path/to/page.html
agent-browser screenshot output.png

iOS 模拟器（移动版 Safari）

# List available iOS simulators
agent-browser device list

# Launch Safari on a specific device
agent-browser -p ios --device "iPhone 16 Pro" open https://example.com

# Same workflow as desktop - snapshot, interact, re-snapshot
agent-browser -p ios snapshot -i
agent-browser -p ios tap @e1          # Tap (alias for click)
agent-browser -p ios fill @e2 "text"
agent-browser -p ios swipe up         # Mobile-specific gesture

# Take screenshot
agent-browser -p ios screenshot mobile.png

# Close session (shuts down simulator)
agent-browser -p ios close

**要求：**macOS 和 Xcode，以及 Appium（npm install -g appium && appium driver install xcuitest）

**真实设备：**预先配置后，也可使用实体 iOS 设备。使用 --device "<UDID>"，其中 UDID 可通过 xcrun xctrace list devices 获取。

差异比较（验证更改）

执行操作后，使用 diff snapshot 验证是否达到预期效果。此命令会将当前无障碍树与本次会话中上次获取的快照进行比较。

# Typical workflow: snapshot -> action -> diff
agent-browser snapshot -i          # Take baseline snapshot
agent-browser click @e2            # Perform action
agent-browser diff snapshot        # See what changed (auto-compares to last snapshot)

如需进行视觉回归测试或监控：

# Save a baseline screenshot, then compare later
agent-browser screenshot baseline.png
# ... time passes or changes are made ...
agent-browser diff screenshot --baseline baseline.png

# Compare staging vs production
agent-browser diff url https://staging.example.com https://prod.example.com --screenshot

diff snapshot 输出使用 + 表示新增内容，使用 - 表示移除内容，类似于 git diff。diff screenshot 会生成差异图像，以红色高亮显示发生变化的像素，并提供不匹配百分比。

超时与加载缓慢的页面

本地浏览器的默认 Playwright 超时时间为 60 秒。对于速度较慢的网站或内容较多的页面，请使用显式等待，而不要依赖默认超时：

# Wait for network activity to settle (best for slow pages)
agent-browser wait --load networkidle

# Wait for a specific element to appear
agent-browser wait "#content"
agent-browser wait @e1

# Wait for a specific URL pattern (useful after redirects)
agent-browser wait --url "**/dashboard"

# Wait for a JavaScript condition
agent-browser wait --fn "document.readyState === 'complete'"

# Wait a fixed duration (milliseconds) as a last resort
agent-browser wait 5000

对于一直加载缓慢的网站，请在 open 后使用 wait --load networkidle，确保页面完全加载后再获取快照。如果某个特定元素渲染较慢，请直接等待该元素：使用 wait <selector> 或 wait @ref。

会话管理与清理

同时运行多个 Agent 或自动化任务时，请始终使用命名会话以避免冲突：

# Each agent gets its own isolated session
agent-browser --session agent1 open site-a.com
agent-browser --session agent2 open site-b.com

# Check active sessions
agent-browser session list

完成后，请始终关闭浏览器会话，以免留下进程：

agent-browser close                    # Close default session
agent-browser --session agent1 close   # Close specific session

如果上一个会话未正确关闭，守护进程可能仍在运行。请使用 agent-browser close 清理后再开始新任务。

引用生命周期（重要）

页面发生变化时，引用（@e1、@e2 等）会失效。以下情况后请务必重新获取快照：

• 点击会触发导航的链接或按钮
• 提交表单
• 动态内容加载（下拉菜单、模态框）

agent-browser click @e5              # Navigates to new page
agent-browser snapshot -i            # MUST re-snapshot
agent-browser click @e1              # Use new refs

带标注的截图（视觉模式）

使用 --annotate 可截取带编号标签的截图，标签会覆盖在可交互元素上。每个标签 [N] 对应引用 @eN。此操作还会缓存引用，因此无需单独获取快照即可立即与元素交互。

agent-browser screenshot --annotate
# Output includes the image path and a legend:
#   [1] @e1 button "Submit"
#   [2] @e2 link "Home"
#   [3] @e3 textbox "Email"
agent-browser click @e2              # Click using ref from annotated screenshot

以下情况可使用带标注的截图：

• 页面上有未标注的图标按钮或仅通过视觉呈现的元素
• 需要验证视觉布局或样式
• 页面包含 Canvas 或图表元素（文本快照中不可见）
• 需要根据元素位置进行空间推理

语义定位器（引用的替代方案）

引用不可用或不可靠时，请使用语义定位器：

agent-browser find text "Sign In" click
agent-browser find label "Email" fill "[email protected]"
agent-browser find role button click --name "Submit"
agent-browser find placeholder "Search" type "query"
agent-browser find testid "submit-btn" click

JavaScript 求值（eval）

使用 eval 在浏览器上下文中运行 JavaScript。Shell 引号可能会破坏复杂表达式——使用 --stdin 或 -b 可避免此问题。

# Simple expressions work with regular quoting
agent-browser eval 'document.title'
agent-browser eval 'document.querySelectorAll("img").length'

# Complex JS: use --stdin with heredoc (RECOMMENDED)
agent-browser eval --stdin <<'EVALEOF'
JSON.stringify(
  Array.from(document.querySelectorAll("img"))
    .filter(i => !i.alt)
    .map(i => ({ src: i.src.split("/").pop(), width: i.width }))
)
EVALEOF

# Alternative: base64 encoding (avoids all shell escaping issues)
agent-browser eval -b "$(echo -n 'Array.from(document.querySelectorAll("a")).map(a => a.href)' | base64)"

为何这很重要： Shell 处理命令时，内部双引号、! 字符（历史扩展）、反引号和 $() 都可能在 JavaScript 传递给 agent-browser 之前将其破坏。--stdin 和 -b 标志可完全绕过 Shell 解析。

经验法则：

• 单行且不含嵌套引号 -> 使用单引号括起来的常规 eval 'expression' 即可
• 含嵌套引号、箭头函数、模板字面量或多行内容 -> 使用 eval --stdin <<'EVALEOF'
• 程序生成的脚本 -> 使用带 base64 的 eval -b

配置文件

在项目根目录中创建 agent-browser.json，以保存持久设置：

{
  "headed": true,
  "proxy": "http://localhost:8080",
  "profile": "./browser-data"
}

优先级（从低到高）：~/.agent-browser/config.json < ./agent-browser.json < 环境变量 < CLI 标志。使用 --config <path> 或 AGENT_BROWSER_CONFIG 环境变量指定自定义配置文件（如果文件缺失或无效，则退出并报错）。所有 CLI 选项都会映射到 camelCase 键（例如，--executable-path -> "executablePath"）。布尔标志接受 true/false 值（例如，--headed false 会覆盖配置）。用户配置和项目配置中的扩展会合并，而不是替换。

深入文档

参考资料	适用场景
references/commands.md	包含所有选项的完整命令参考
references/snapshot-refs.md	引用的生命周期、失效规则和故障排查
references/session-management.md	并行会话、状态持久化和并发抓取
references/authentication.md	登录流程、OAuth、双重身份验证处理和状态复用
references/video-recording.md	用于调试和文档编写的录制工作流
references/profiling.md	用于性能分析的 Chrome DevTools 性能分析
references/proxy-support.md	代理配置、地理位置测试和轮换代理

即用模板

模板	描述
templates/form-automation.sh	带验证的表单填写
templates/authenticated-session.sh	登录一次，复用状态
templates/capture-workflow.sh	提取内容并截取屏幕截图

./templates/form-automation.sh https://example.com/form
./templates/authenticated-session.sh https://app.example.com/login
./templates/capture-workflow.sh https://example.com ./output