agent-browser 入门：Vercel 出品的 AI 浏览器自动化工具怎么用

agent-browser 是 Vercel Labs 开源的一款命令行浏览器自动化工具，专门写给 AI Agent 用。简单说，它让 AI 助手能自己打开网页、点按钮、填表单、截图、读取页面内容，而不用人盯着操作。它不是给纯小白手动点鼠标用的图形软件，而是配合 Claude Code、Cursor、Codex 这类 AI 编程助手一起工作的底层引擎——你让 AI「去这个网站把数据抓下来」，背后跑腿的就是它。工具用 Rust 写成，开源协议 Apache-2.0，代码托管在 GitHub 的 vercel-labs/agent-browser 仓库。

它解决的核心问题：让 AI 少读一大堆网页代码

让 AI 操作网页，最大的麻烦是网页的 HTML 又长又乱。传统做法是把整个页面的 DOM 结构丢给模型，一个稍复杂的页面动辄几千个 token，既烧钱又容易让模型看花眼。

agent-browser 换了个思路。它不给 AI 看原始 HTML，而是生成一份「无障碍树快照」——把页面上能交互的元素（按钮、输入框、链接）抽出来，每个配一个短标识，形如 @e1、@e2。AI 拿到的是一份干净清单，想点第二个按钮就说 click @e2，想在第三个框里填字就 fill @e3。官方给的对比是：这种精简输出通常在 200 到 400 个 token 之间，而完整 DOM 往往要 3000 到 5000 个。少读一个数量级的内容，模型的判断也更稳。

这些标识在同一次会话里保持稳定，AI 不必每次操作前都重新解析一遍页面，指哪打哪，出错的概率随之下降。

agent-browser 无障碍树快照与完整 DOM 的 token 消耗对比

图：无障碍树快照与完整 DOM 的 token 消耗对比（数据来自官方文档）

能做什么

基础的一套是打开网址、快照、点击、填写、悬停、截图、等待元素出现。往上还有一批面向真实开发场景的能力，挑几处值得说的：

网络层控制：拦截、伪造、屏蔽请求，录制 HAR 文件。调试接口或者模拟异常返回时很实用。
会话与登录状态持久化：自动保存和恢复 Cookie、localStorage，还支持复用本机 Chrome 的登录配置，免去反复登录。
多会话隔离：几个浏览器上下文各跑各的，适合并行任务。
前端专项：能读取 React 组件树、渲染性能，也能抓 LCP、CLS、TTFB 这些 Web Vitals 指标；对做 Next.js、Vercel 项目的团队是顺手的加分项。
无障碍审计：内置 axe-core，可以直接跑可访问性合规检查。

官方称命令总数在 50 个以上，覆盖导航、表单、截图、网络、存储、标签页、iframe、调试等场景。多数常见网页任务——打开、读取、点击、填写、提取、截图——都在射程之内。

怎么装、怎么用

最常见的是用 npm 全局安装，装完再跑一次 install 命令，让它下载配套的测试版 Chrome：

npm install -g agent-browser
agent-browser install

macOS 用户也可以走 Homebrew（brew install agent-browser），Rust 环境下能用 cargo install agent-browser。想先试一下不安装，npx agent-browser open example.com 就能跑起来。

一次完整的操作大致是这样：

agent-browser open example.com
agent-browser snapshot              # 拿到带 @eN 标识的无障碍树
agent-browser click @e2             # 按标识点击
agent-browser fill @e3 "[email protected]"
agent-browser screenshot page.png
agent-browser close

图：agent-browser 操作网页的典型流程

接入 AI 助手有两条路。一是它自带 MCP Server，能作为 Model Context Protocol 子进程跑起来，Claude 等支持 MCP 协议的客户端可以直接调用；二是任何能执行 shell 命令的 Agent 都能用，官方点名支持 Claude Code、Cursor、GitHub Copilot、OpenAI Codex、Google Gemini 等。如果你已经在用 Claude Code 做开发，把它挂上去基本是几行配置的事。想理解这类工具在 AI Agent 体系里扮演什么角色，可以顺着这条线往下看。

和 Playwright、browser-use 有什么不同

做过自动化测试的人第一反应可能是：这不就是 Playwright 或 Puppeteer 吗？区别在出发点。Playwright 面向工程师写脚本，输出是给人和代码看的；agent-browser 从头就为 AI 消费设计，精简的文本输出和稳定标识都是冲着「省 token、少出错」去的，而且底层直接通过 CDP 协议驱动 Chrome，不依赖 Playwright 或 Puppeteer。

国内开发者更熟悉的对标物可能是 browser-use 这类 Python 方案，同样主打让 AI 操作浏览器。相比之下 agent-browser 是编译型的 Rust CLI，启动和执行更轻，命令式的用法也更贴合「Agent 一条条发指令」的节奏。两者定位接近，选型时看你的技术栈更偏 Node/命令行还是 Python。

国内使用要注意什么

工具本身免费开源，没有付费门槛，但有两处网络问题值得提前准备。一是 npm 安装，官方源在国内偶尔较慢，配一个国内镜像会顺畅不少。二是 agent-browser install 会从 Chrome for Testing 拉取浏览器，这一步在没有合适网络环境时容易卡住，动手前最好确认下载通道通畅。官网 agent-browser.dev 和 GitHub 仓库都是英文站点，访问同样需要相应的网络条件。

适合谁

它更适合已经在用 AI 编程助手、需要让 AI 自动跑网页任务的开发者和团队，比如做端到端测试、抓取数据、自动填报、监控页面变化。对完全不写代码、只想点几下就完成任务的用户来说，它的门槛偏高，收益也有限。做 Next.js、Vercel 相关前端项目的团队价值最明显，React 内省和 Web Vitals 这些能力是现成的。

需要说明来源：这款工具最初是在 CocoLoop 这类第三方 Skill 市场被留意到的，那里标注的下载量、安全评级都是平台自己的口径，并非官方数据。权威信息应以 Vercel Labs 的官方仓库和文档为准。工具仍在快速迭代，具体命令和参数建议以官方文档的最新说明为准。