agent-browser
vercel-labs/agent-browser加载项目详情…
本应用为开源项目，仅供学习研究，请遵守其开源协议。
微信扫码咨询客服
POMOAI — 让开源 AI 即刻运行
加载项目详情…
本应用为开源项目，仅供学习研究，请遵守其开源协议。
想象一下这个场景：你想让一个 AI 助手自动帮你填写网页表单、截取页面截图、批量采集电商数据——这些在人类看来再简单不过的操作，对 AI 来说却异常困难。传统方案要么依赖笨重的 Selenium，要么依赖 Playwright 繁琐的 API，让 AI 理解和操作 DOM 结构变成了一场「翻译噩梦」。
agent-browser 正是为解决这一痛点而生：由 Vercel Labs 打造，定位为「AI 智能体的浏览器自动化 CLI」，用自然语言控制浏览器，把网页操作变成 AI 可以理解和执行的指令。截至 2026 年 5 月，该项目已斩获超过 34,000 颗 GitHub Stars，成为浏览器自动化领域最受关注的项目之一。
在 AI Agent 时代，浏览器自动化是一个绕不开的基础能力。无论是网页抓取、表单填写、UI 测试还是 RPA（机器人流程自动化），都需要程序能够「操控」浏览器。然而传统方案存在几个根本性问题：
选择器脆弱：#submit、.btn-primary 这类 CSS 选择器在网页改版后极易失效，导致自动化脚本频繁崩溃，维护成本极高。Playwright/Puppeteer API 复杂：对于 AI 智能体而言，理解 page.locator('#email').fill('test@example.com') 这样的代码需要较强的编程能力，不如自然语言直观。缺乏语义理解：AI 无法理解网页元素的「含义」，只能机械地操作 DOM 节点，无法像人类一样「看到」登录按钮就去点击。
Vercel Labs 的团队从 AI Agent 的视角重新思考这个问题：AI 不需要理解 HTML/CSS 的细节，它需要的是一个语义化的界面——像人一样「看到」页面上有什么元素，然后直接下达指令。
因此 agent-browser 引入了两个核心创新：
可访问性树（Accessibility Tree）：通过 --snapshot 命令，生成带引用编号的页面可访问性树，每个可交互元素获得一个稳定的 ref ID（如 @e1、@e2），AI 只需说「点击 @e2」即可精准操作元素，无需猜测选择器。自然语言指令：agent-browser chat "帮我填这个表单" 让 AI 直接理解任务并执行，提供了真正的「对话式」浏览器控制体验。
传统自动化工具依赖 CSS 选择器或 XPath，agent-browser 提供了更智能的方式：
agent-browser open example.com
agent-browser snapshot # 生成带 ref 的可访问性树
# 输出类似：
# [@e1] button "Sign In"
# [@e2] input[type="email"]
# [@e3] input[type="password"]
agent-browser click @e1 # 通过 ref 精准点击
agent-browser fill @e2 "user@example.com" # 通过 ref 填写表单
相比传统方式，ref 引用具有以下优势：稳定不随 DOM 顺序变化——即使页面新增了隐藏元素，ref ID 不会改变；语义清晰——@e1 代表什么按钮，snapshot 输出中一目了然；AI 友好——AI 可以「看见」页面结构，直接引用具体元素。
agent-browser 的命令体系相当完整，涵盖了浏览器自动化的方方面面：
| 类别 | 命令示例 | 说明 |
|---|---|---|
| 导航 | open <url>, goto, navigate | 打开/跳转页面 |
| 交互 | click, fill, type, hover, dblclick | 元素操作 |
| 语义查找 | find role button click, find text "Sign In" click | ARIA 角色/文本定位 |
| 信息获取 | get text @e1, get title, get url | 读取页面内容 |
| 截图 | screenshot, screenshot --full, screenshot --annotate | 截图（支持全页和标注） |
| 网络控制 | network route, network abort | 请求拦截/mock |
| 状态等待 | wait --text "Loaded", wait --load networkidle | 智能等待 |
| 批处理 | batch "cmd1" "cmd2" "cmd3" | 批量执行多命令 |
| 标签管理 | tab new, tab close, window new | 多标签/多窗口 |
| 地理/设备模拟 | set geo, set device "iPhone 14" | 模拟环境 |
批处理模式是另一个亮点：通过 --json 参数从 stdin 接收 JSON 格式的命令序列，适合 AI Agent 程序化调用：
echo '[["open", "https://example.com"], ["snapshot", "-i"], ["click", "@e1"]]' \
| agent-browser batch --json
最引人注目的功能是 agent-browser chat，支持单次和 REPL 交互两种模式：
agent-browser chat "点击登录按钮并填写邮箱为 test@example.com"
# 或进入 REPL 模式逐步交互
agent-browser chat
# > 打开 github.com
# > 截图
# > 关闭
这背后的实现逻辑是：AI 解析自然语言指令，将其转换为 agent-browser 的内部命令序列，通过 CDP（Chrome DevTools Protocol）与浏览器通信执行。官方还提供了 skills/ 目录用于扩展 AI 指令能力。
agent-browser 采用了一个务实的技术栈组合：
Rust CLI 核心（cli/ 目录）：核心浏览器控制逻辑由 Rust 实现，处理 CDP 连接、命令解析和执行，保证高性能和跨平台兼容。二进制文件通过 pnpm build:native 构建。
Node.js CLI 包装（bin/ + package.json）：对外命令行接口基于 Node.js，利用 npm 生态便于分发，agent-browser 入口点兼容 npm 全局安装路径。
monorepo 结构（pnpm workspace）：
packages/dashboard/ # Next.js 可视化面板（可选）
benchmarks/ # 性能基准测试（TypeScript）
evals/ # 能力评测集（bun）
skills/ # AI 指令扩展
CDP 协议是连接 Rust 核心与 Chrome 浏览器的桥梁。agent-browser 支持检测已有的 Chrome/Chromium（用户安装的、Playwright 的、Brave 浏览器的均可），或自动从 Chrome for Testing 官方渠道下载，降低了使用门槛。
docker 目录下的 Dockerfile.build 和 docker-compose.yml 主要服务于跨平台构建（Linux/macOS/Windows 二进制编译），而非运行时容器化。项目没有提供生产级运行容器镜像，这与其「本地 CLI 工具」的定位一致。
agent-browser 的安装方式多样，对不同用户群体都很友好：
| 安装方式 | 适用场景 | 依赖 |
|---|---|---|
npm install -g agent-browser | Node.js 用户 | Node.js >= 24 |
cargo install agent-browser | Rust 用户 | Rust + Cargo |
brew install agent-browser | macOS 用户 | Homebrew |
| 源码编译 | 开发者/贡献者 | Node.js 24+ + pnpm 11+ + Rust |
安装后需要执行一次 agent-browser install（或 install --with-deps 在 Linux 上）来配置 Chrome 浏览器。没有 Web UI，所有操作通过命令行完成，不支持 Docker 一键部署——这是它与同类项目（如 Browserbase、Browserless）的核心区别：它是一款本地优先的工具，追求的是对本地 Chrome 的直接控制权。
内存占用极低（512MB RAM + 200MB 磁盘），无需 GPU，非常轻量。
在 browser automation 赛道，agent-browser 面对的竞争对手包括：
Playwright / Puppeteer：生态成熟但 API 复杂，AI 友好度低。Browserbase / Browserless：云端浏览器平台，支持远程控制，但需要付费且有网络延迟。@agentcore/core、browser-use 等新兴框架：同样瞄准 AI Agent 场景，但大多基于 Playwright 构建。
agent-browser 的差异化在于：Vercel 背书 + Rust 高性能 + 极简 CLI 体验 + 原生支持 AI Chat 模式。它不追求做「全能平台」，而是专注于让 AI Agent 快速、可靠地操控浏览器这个核心需求。
从 GitHub 数据看，该项目于 2026 年 1 月才创建，至今不到半年便斩获 34,000+ Stars，增长速度惊人，侧面反映了 AI Agent 赛道对高质量浏览器控制工具的强烈需求。
agent-browser 是一款专为 AI Agent 时代打造的浏览器自动化工具，通过语义化引用、自然语言控制和可访问性树三大创新，大幅降低了 AI 操控浏览器的门槛。Rust + Node.js 的混合架构兼顾了性能与生态便利，monorepo 结构支持 Benchmark 和 Evaluation 持续迭代项目质量。
作为 Vercel Labs 的实验性项目，它目前还保持着快速迭代的节奏（当前版本 0.27.0），各项功能仍在快速演进中。对于需要让 AI Agent 控制浏览器的开发者而言，这是目前最值得关注和尝试的工具之一。
图1：browser-use 集成 agent-browser 的 provider logo，展示生态合作态势
图2：AgentCore 框架采用 agent-browser 作为底层浏览器引擎
图3：Kernel 平台将 agent-browser 集成进其 AI Agent 基础设施
图4：Browserbase 云端浏览器平台与 agent-browser 形成互补方案