Remote Browser Service：云端浏览器自动化引擎
Remote Browser Service 为 AI 代理提供了完整的远程浏览器控制能力，通过 HTTP API 实现两类自动化模式：轻量高效的 DOM 级操作（元素定位、点击、输入、滚动）和像素级精确的 VNC 远程桌面控制（鼠标移动、键盘输入、Framebuffer 截图）。该服务基于 Kubernetes/Docker 后端部署，支持会话持久化（cookies、localStorage、IndexedDB 自动保存至 S3），允许断线重连后恢复登录状态。
核心用法
典型工作流遵循「导航 → 快照 → 操作 → 验证」四步循环：使用 /navigate 加载目标页面，/json 获取可访问性树（带 ref 引用），/action 执行点击/输入/滚动等操作，最后用 /text 或 /screenshot 验证结果。对于复杂表单，推荐用 fill 替代 type 以确保受控组件（React/Vue）正确响应；对于浏览器原生对话框、Canvas 渲染或 DOM 无法触及的 UI，切换至 VNC 路径（/vnc/screenshot + /vnc/action）。
显著优点
- 双模式架构：DOM 操作低延迟、低 Token 消耗；VNC 模式突破 DOM 限制，覆盖全场景
- Token 成本优化：提供详尽的
/text、/json?filter=interactive等结构化提取接口，截图仅作视觉验证备用 - 会话持久化：5 分钟空闲回收 + 服务重启不丢状态，同名 session_id 即可恢复登录态
- 弹性扩展：单用户并发限制为 1 会话，支持存储会话克隆（fork）与临时会话（ephemeral）
局限性与风险
- 并发限制严格：单用户仅 1 个活跃会话，高频场景需自行排队或等待 429 重试
- Action 成功≠生效：
click等操作返回{"ok": true}仅表示事件已派发，实际效果需二次验证（覆盖层、SPA 异步更新可能导致无响应） - CDP 帧上限：尽管已提升至 5 MiB，极端复杂页面仍可能触发 502，需降级至裁剪截图
- 服务重启丢失运行时：无 VNC 连接的空闲会话 5 分钟后回收，部署重启强制清理内存状态（依赖存储会话恢复）
适用人群
- 构建网页自动化 Agent 的开发者（RPA、数据抓取、端到端测试）
- 需要与复杂 Web 应用（SaaS 后台、电商后台）交互的 AI 工作流
- 多步骤任务场景（跨页面表单填写、验证码处理、文件上传预览）
常规风险
- 凭证安全：
AC_API_KEY作为 Bearer Token 派生 user_id，需按密钥管理；支持服务端加密会话（encrypt_with_api_key） - 网络稳定性：WebSocket 连接中断需客户端实现重连逻辑
- 目标站点策略：部分站点对无头浏览器/自动化检测敏感，可能触发风控或 CAPTCHA