Browser Automation 是一个面向 Claude Code 的浏览器自动化技能,位于 jorgeasaurus/agent-skills 仓库中。它通过 Stagehand CLI 提供自然语言控制 Chrome 浏览器的能力,让用户可以用命令行指令完成导航、交互、数据提取和截图等操作。
用途 该技能主要用于需要自动化浏览器交互的场景,例如:打开并浏览网站、点击按钮或填写表单、从页面中提取结构化数据、观察页面可交互元素、截取页面截图用于验证或记录。它适合需要重复执行网页操作或抓取网页信息的任务。
主要能力
- 导航:使用 browser navigate <url> 打开指定网址,返回 JSON 结果、消息和截图路径。
- 交互:使用 browser act "<action>" 以自然语言描述操作,如点击按钮、填写字段、滚动页面、输入文本并回车。
- 数据提取:使用 browser extract "<instruction>" ['{"field": "type"}'] 从页面提取信息,可选传入 JSON schema 定义字段名和类型(string、number、boolean),若省略或校验失败则不进行类型校验。
- 元素发现:使用 browser observe "<query>" 查找可点击按钮、表单字段、导航链接等页面元素。
- 截图:使用 browser screenshot 保存页面截图,截图保存在插件目录的 agent/browser_screenshots/ 文件夹,超过 2000x2000 像素的图片会自动调整尺寸,文件名包含时间戳。
- 清理:使用 browser close 关闭浏览器释放资源。
使用方式 使用前必须检查 setup.json 中的 setupComplete 字段。若为 false,需要在插件目录执行以下步骤:运行 npm install(或 pnpm install、bun install)安装依赖并构建 TypeScript;运行 npm link 全局链接 browser 命令;配置 ANTHROPIC_API_KEY 环境变量或通过 .env 文件设置;确认系统已安装 Google Chrome;运行 browser navigate https://example.com 测试;测试成功后更新 setup.json 中相关字段为 true 并将 setupComplete 设为 true。 配置完成后,通过 bash 调用 browser 命令即可。浏览器在命令之间保持打开,以加快顺序操作并保留状态(cookies、会话等)。如果 Chrome 已在 9222 端口运行,会复用该实例。Chrome 以最小化方式在屏幕外启动(位置 -9999,-9999),只有显式调用 close 命令才会关闭。
适用场景 适用于网页浏览自动化、表单填写、数据抓取、页面结构探查、截图记录和调试工作流。典型模式包括简单浏览任务、数据提取任务、多步骤交互和调试流程。
限制与注意事项
- 使用前必须完成安装和配置,setupComplete 为 false 时不应尝试使用浏览器命令。
- 需要本机安装 Google Chrome,否则 CLI 会报错并提示安装。
- 需要 Anthropic API 密钥。
- 若 9222 端口被占用,需关闭其他 Chrome 调试会话或等待超时。
- 页面未加载时可等待几秒或显式执行等待指令;元素未找到时可使用 observe 探查;操作失败时可使用更具体的自然语言描述。
- 截图保存在插件目录的 agent/browser_screenshots/ 文件夹中。
- 该技能文档提供 EXAMPLES.md 和 REFERENCE.md 供进一步参考。