SuperAPI AI 工具集

midscene browser automation

通用与其它

查看项目

更新于 10-16 05:47

技能介绍

用途:通过 Midscene CLI 用自然语言自动化 Chrome 浏览器交互,适用于网页浏览、数据抓取和前端验证。

主要能力:navigate 打开网址;act 执行点击、输入、滚动、选择等操作;query 提取页面结构化数据;assert 校验页面状态;screenshot 截图;close 关闭浏览器。Midscene 借助 AI 视觉与语义理解定位元素,无需 CSS 选择器。浏览器在各命令间保持打开,复用端口 9222 上的已有 Chrome 实例,仅在显式调用 close 时关闭。

使用方式:先确认目录中 setup.json 的 setupComplete 字段,为 false 时需先完成配置,设置 export MIDSCENE_MODEL_API_KEY="your-api-key",可选设置 MIDSCENE_MODEL_NAME 与 MIDSCENE_MODEL_BASE_URL,并安装 Google Chrome。依赖安装使用 pnpm install。命令示例:node dist/src/cli.js navigate https://example.com、node dist/src/cli.js act "click the Sign In button"、node dist/src/cli.js query "List all product names and prices"、node dist/src/cli.js assert "the login button is visible"。命令输出 JSON,含 success、message 与截图路径,截图存于插件目录的 agent/browser_screenshots/ 文件夹。

适用场景:前端验证工作流(表单校验、页面内容、用户流程、交互反馈)、数据提取,以及常规网页浏览操作。验证结果建议按检查项、状态、详情的表格形式汇总。

限制:需有效 AI 模型 API Key 与已安装的 Google Chrome;描述需尽量具体以提高定位准确度;setupComplete 为 false 时不得使用浏览器命令;端口 9222 被占用时会复用现有实例。官方未提供收费、价格与性能数据。