核心用法
Agent Browser是一款专为AI Agent设计的无头浏览器自动化CLI工具，采用可访问性树（Accessibility Tree）快照作为核心交互机制。与传统浏览器工具不同，它通过语义化的ref引用（如@e2）而非CSS选择器或XPath来定位元素，确保在动态DOM变化中仍能保持稳定的元素识别。
典型工作流遵循"打开→快照→解析→交互→再快照"的循环模式：
1. agent-browser open <url> 启动页面
2. agent-browser snapshot -i --json 生成交互元素快照，返回结构化JSON含refs映射表
3. AI解析refs，执行click @e2、fill @e3 "text"等操作
4. 页面变化后重新快照获取最新状态
显著优点
确定性定位：ref基于可访问性树角色+名称生成，不受CSS类名随机化、DOM结构调整影响，特别适合现代SPA框架（React/Vue/Angular）。
性能优化：Headless Chromium内核，支持--load networkidle等待策略，比传统截图比对方案快5-10倍。
会话隔离：--session参数实现多浏览器上下文并行，支持跨会话状态持久化（state save/load），便于多账号测试场景。
AI原生设计：JSON输出格式、紧凑模式（-c）、深度限制（-d）均为LLM token优化考量。
潜在缺点与局限性
视觉信息缺失：无内置截图分析能力，需搭配--headed调试或外接视觉模型，与Playwright/MCP内置工具形成能力缺口。
ref稳定性边界：同一页面多次快照，若元素可访问性属性（aria-label等）动态变化，ref可能漂移；复杂表格/虚拟滚动场景下ref密度过高。
生态锁定：CLI语法为agent-browser特有，迁移至Playwright/Puppeteer需重写交互逻辑。
平台依赖：Chromium下载及系统依赖安装（尤其Linux）可能遇到环境兼容问题。
适合人群
- 构建浏览器自动化Agent的开发者（需确定性、可编程的交互接口）
- 多步骤表单填报、数据抓取、E2E测试场景
- 需隔离会话的多账号管理任务
- 对token成本敏感的AI工作流（JSON比截图廉价）
常规风险
- Session泄漏：
state save含敏感cookie，文件权限管理不当导致凭证泄露 - 网络路由误配置：
--abort拦截规则写错可能破坏页面功能 - 无视觉验证：纯ref驱动可能误点隐藏/遮挡元素，建议关键操作前
is visible校验 - Chromium漏洞：依赖特定版本Chromium，需关注
agent-browser install更新
技术背书
由Vercel Labs官方维护（GitHub: vercel-labs/agent-browser），作者Yossi Elkrief有移动端/Android背景，项目处于早期活跃迭代阶段，MIT协议开源。