Agent Browser - Stagehand

核心用法

Browser Skill 基于 Stagehand CLI 构建，允许用户用自然语言控制浏览器行为。支持六大核心命令：navigate 打开指定 URL；act 执行点击、输入等自然语言描述的操作；extract 按结构化格式抓取页面数据；observe 发现页面可用元素；screenshot 截图保存；close 关闭会话。

显著优点

1. 零配置双模式：自动检测环境变量，优先使用 Browserbase 远程环境（支持代理、隐身模式、CAPTCHA 处理），无 API 密钥时无缝降级到本地 Chrome
2. 自然语言交互：无需编写 CSS/XPath 选择器，用中文或英文描述意图即可，大幅降低自动化门槛
3. 结构化数据提取：支持 JSON Schema 约束输出，便于下游处理
4. 视觉验证：每步操作后可截图确认，适合调试和审计

潜在局限

• 环境依赖：本地模式需预装 Chrome，远程模式需有效 API 密钥
• 动作语义模糊：复杂交互（如拖拽、iframe 内操作）可能因自然语言歧义失败，需配合 observe 调试
• 无内置重试：网络波动或页面动态加载失败时需手动重试
• 权限边界：仅能操作公开网页或已登录会话，无法突破同源策略或绕过身份验证

适合人群

• 产品经理/运营：快速抓取竞品信息、监控页面变化
• 开发者：自动化 E2E 测试原型、数据爬取脚本
• 研究人员：批量采集公开网页数据

常规风险

• 数据隐私：截图和页面内容可能包含敏感信息，需妥善保管
• 服务滥用：高频爬取可能触发目标站点的反爬机制或法律风险
• API 费用：Browserbase 按量计费，长时间会话需注意成本控制
• 命令注入：act 指令依赖自然语言解析，极端情况下不当输入可能导致非预期操作（建议验证截图后再继续）

核心功能

browser 技能通过封装 Stagehand CLI，让用户能够用自然语言指令自动化浏览器操作。主要功能包括：

• 智能环境选择：自动检测本地 Chrome 或远程 Browserbase 云环境，无需手动配置
• 自然语言交互：browser act "点击登录按钮" 即可执行复杂 DOM 操作
• 结构化数据提取：支持 JSON Schema 定义的数据抓取，返回结构化结果
• 可视化调试：内置截图功能，每步操作后可验证页面状态
• 元素智能发现：browser observe 自动识别可用交互元素

显著优势

1. 双模式灵活部署：本地模式响应更快适合开发调试；Browserbase 模式具备反检测、代理、CAPTCHA 绕过能力，适合生产级抓取
2. 零代码门槛：纯自然语言指令，无需学习 XPath/CSS Selector
3. 官方生态背书：基于 Browserbase 公司维护的 Stagehand 开源项目（GitHub 2k+ stars），MIT 许可证
4. 安全透明：纯 Markdown 文档型 Skill，无可执行代码，运行时依赖外部可信库

局限性与风险

• 外部依赖风险：核心功能依赖 @browserbasehq/stagehand，需关注其安全更新
• API 密钥管理：使用 Browserbase 模式需妥善管理 BROWSERBASE_API_KEY，存在泄露风险
• 成本考量：Browserbase 云服务按量计费，高频使用可能产生费用
• 本地 Chrome 依赖：本地模式需预装 Chrome，容器环境需额外配置
• 指令歧义：自然语言指令可能存在理解偏差，复杂交互建议配合 observe 命令

适用人群

• 数据分析师：快速抓取网页数据无需编写爬虫
• 产品经理：自动化竞品监测与功能验收测试
• QA 工程师：端到端测试用例的自然语言编写
• 开发者：原型验证与快速调试 Web 交互流程
• 研究人员：学术数据采集与存档

安全建议

• 敏感操作使用专用浏览器配置文件，避免使用主浏览器数据
• 定期清理 .chrome-profile/ 临时目录
• API 密钥使用 .env 文件管理，禁止提交至版本控制
• 避免在 browser act 中直接输入真实密码，建议使用环境变量注入