agent-browser

agent-browser 是一个面向 AI 智能体的浏览器自动化技能，通过 inference.sh 提供服务，底层使用 Playwright，并采用简单的 @e 引用系统进行元素交互。

用途该技能用于让 AI 智能体自动化操作浏览器，包括导航网页、与页面元素交互、截图和录制视频。它适合需要让智能体执行登录、填写表单、搜索、提取内容或进行浏览器操作演示与调试的场景。

安装与前置条件安装 belt CLI 技能：npx skills add belt-sh/cli 该技能需要 inference.sh CLI（belt），安装说明见相关文档。使用前需执行：belt login

核心工作流每次浏览器自动化都遵循以下模式：

Open：导航到 URL，获取元素的 @e 引用。
Interact：使用引用进行点击、填写、拖拽等操作。
Re-snapshot：在导航或页面变化后，重新获取最新的引用。
Close：结束会话，如果启用了录制则返回视频。

主要能力（函数）

open：导航到 URL，配置浏览器（视口、代理、视频录制）。
snapshot：在 DOM 变化后重新获取带有 @e 引用的页面状态。
interact：使用 @e 引用执行操作（点击、填写、拖拽、上传等）。
screenshot：截取页面截图（视口或整页）。
execute：在页面上运行 JavaScript 代码。
close：关闭会话，如果启用了录制则返回视频。

交互操作 interact 支持的操作包括：

click：点击元素（需要 ref）
dblclick：双击元素（需要 ref）
fill：清空并输入文本（需要 ref、text）
type：输入文本，不清空（需要 text）
press：按键，如 Enter、Tab 等（需要 text）
select：选择下拉选项（需要 ref、text）
hover：悬停在元素上（需要 ref）
check：勾选复选框（需要 ref）
uncheck：取消勾选复选框（需要 ref）
drag：拖拽并放置（需要 ref、target_ref）
upload：上传一个或多个文件（需要 ref、file_paths）
scroll：滚动页面（需要 direction：up/down/left/right，scroll_amount）
back：返回历史上一页
wait：等待毫秒数（需要 wait_ms）
goto：导航到 URL（需要 url）

元素引用与失效规则页面元素以 @e 引用形式返回，例如： @e1 [a] "Home" href="/" @e2 [input type="text"] placeholder="Search" @e3 [button] "Submit" @e4 [select] "Choose option" @e5 [input type="checkbox"] name="agree" 重要：引用在导航后会失效。在以下情况后必须重新快照：点击会导航的链接或按钮、提交表单、动态内容加载。

特色功能

视频录制：可录制浏览器会话，用于调试或文档记录，关闭会话时返回视频文件。
光标指示器：在截图和视频中显示可见光标，表现为跟随鼠标移动的红点并显示点击反馈，适合演示。
代理支持：可通过代理服务器路由流量，配置 proxy_url、proxy_username、proxy_password。
文件上传：向文件输入元素上传文件。
拖拽：将元素拖拽到目标元素。
JavaScript 执行：运行自定义 JavaScript，并返回结果与截图。

会话管理浏览器状态在会话内持续存在。首次调用使用 --session new，后续调用使用返回的 session_id，完成后关闭会话。

文档与模板提供深入文档：references/commands.md（完整函数参考）、references/snapshot-refs.md（引用生命周期、失效规则、故障排查）、references/session-management.md（会话持久化、并行会话）、references/authentication.md（登录流程、OAuth、2FA 处理）、references/video-recording.md（录制工作流）、references/proxy-support.md（代理配置、地区测试）。提供即用模板：templates/form-automation.sh、templates/authenticated-session.sh、templates/capture-workflow.sh。

技能介绍