browser-automation

浏览器自动化

可用工具

• browser_act(instruction, starting_url?)：使用自然语言执行浏览器操作（点击、输入、滚动、选择）。使用 starting_url 可在一次调用中导航到页面并执行操作。
• browser_get_page_info(url?, text?, tables?, links?)：获取页面结构和 DOM 数据（速度快，不使用 AI）。使用 url 可先导航；使用 text=True 获取完整文本，tables=True 获取表格数据，links=True 获取所有链接。
• browser_manage_tabs(action, tab_index?, url?)：切换、关闭或新建浏览器标签页
• browser_save_screenshot(filename)：将当前页面截图保存到工作区

何时使用

仅在任务确实需要时使用浏览器自动化：

• UI 交互：填写表单、点击按钮、浏览多步骤工作流
• 需要登录的页面：访问 API 无法获取的身份验证后内容
• 动态页面／大量使用 JS 的页面：获取由客户端渲染、无法通过普通 HTTP 请求捕获的内容
• 需要模拟人工浏览的情况：访问会拦截机器人或需要真实交互模式的网站
• 抓取结构化数据：没有 API，且必须从渲染后的页面提取数据

查找一般信息、新闻或公开页面时，优先使用 web search 或 url_fetcher——浏览器自动化速度较慢，开销也更大。仅在简单工具无法满足需求时使用。

工具选择

• browser_act：UI 交互（点击、输入、滚动、填写表单）。使用 starting_url 可在一次调用中打开页面并执行操作。
• browser_get_page_info：快速检查页面结构并可选择提取内容（<300ms）。使用 url 可先导航。
• browser_manage_tabs：切换／关闭／新建标签页（通过 get_page_info 查看标签页）
• browser_save_screenshot：保存关键节点截图（搜索结果、确认信息、关键数据）

browser_act 最佳实践

• 最多组合 3 个可预测的步骤：“1. 在搜索框中输入 ‘laptop’ 2. 点击搜索按钮 3. 点击第一个结果”
• 打开新页面时使用 starting_url：browser_act(instruction='Search for laptops', starting_url='https://amazon.com')
• 失败时：检查截图以查看当前状态，然后从当前状态重试
• 对于视觉内容创作（图表、绘图），优先使用代码／文本输入方式，而非鼠标操作

browser_get_page_info 最佳实践

• 使用 url 在一次调用中导航并检查页面：browser_get_page_info(url='https://example.com', tables=True)
• 使用 text=True 获取完整页面文本（适用于阅读文章）
• 使用 tables=True 从页面提取结构化表格数据
• 使用 links=True 获取页面上的所有链接（最多 200 个）

UI 指南（来自 tools-config）

工具选择：

• browser_act：UI 交互（点击、输入、滚动、填写表单）。使用 starting_url 可在一次调用中导航并执行操作。
• browser_get_page_info：快速检查 DOM（<300ms）。使用 url 参数先导航；使用 text/tables/links 参数提取内容。
• browser_manage_tabs：切换、关闭或新建标签页。
• browser_save_screenshot：将关键节点截图保存到工作区，供文档使用。

browser_act 最佳实践：

• 最多组合 3 个可预测的步骤：“1. 在搜索框中输入 ‘laptop’ 2. 点击搜索按钮 3. 点击第一个结果”
• 打开新页面时使用 starting_url：browser_act(instruction='...', starting_url='https://...')
• 失败时：检查截图以查看当前状态，然后从当前状态重试

browser_get_page_info 最佳实践：

• 使用 url 参数在一次调用中导航并检查页面：browser_get_page_info(url='https://...', tables=True)
• 使用 text=True 获取完整页面文本，使用 tables=True 获取表格数据，使用 links=True 获取页面上的所有链接