agent-browser 技能分析报告
来源: inferencesh/skills/agent-browser 安装量: 1,589 日期: 2026-02-09
一、技能用途
agent-browser 是一个基于 inference.sh 平台的浏览器自动化技能，底层使用 Playwright，让 AI Agent 能够像人一样操控浏览器。
核心能力
- 网页导航与浏览 — 打开任意 URL，获取页面元素列表
- 表单交互 — 填写输入框、勾选复选框、选择下拉菜单、提交表单
- 点击与拖拽 — 单击/双击元素、拖放操作
- 文件上传 — 向文件输入框上传本地文件
- 截图与录屏 — 截取页面快照（支持全页）、录制整个操作过程为视频
- JavaScript 执行 — 在页面上下文中运行任意 JS 代码
- 代理支持 — 通过 HTTP 代理访问网页，适合地理位置测试
典型使用场景
- 网页数据抓取 — 打开目标页面，提取结构化内容
- 自动化表单填写 — 登录、注册、提交联系表单等
- 端到端测试 — 模拟用户操作流程并截图验证
- 研究与信息收集 — Agent 自主浏览网页、搜索并汇总信息
- 操作录屏 — 录制浏览器操作视频用于文档或调试
二、目录结构
agent-browser/
├── SKILL.md # 技能主文件（提示词 + 文档）
├── references/ # 深度参考文档（空目录，引用外部链接）
│ ├── commands.md # 完整函数参考
│ ├── snapshot-refs.md # Ref 生命周期与失效规则
│ ├── session-management.md # 会话管理
│ ├── authentication.md # 登录与认证流程
│ ├── video-recording.md # 录屏工作流
│ └── proxy-support.md # 代理配置
└── templates/ # 即用模板（空目录，引用外部链接）
├── form-automation.sh # 表单自动化
├── authenticated-session.sh # 认证会话复用
└── capture-workflow.sh # 内容提取 + 截图
注：下载的技能包中
references/和templates/为空目录，实际内容通过 SKILL.md 中的文档链接引用。
三、作用机制分析
3.1 整体架构
该技能的核心设计是一个 "提示词即接口" 模式：SKILL.md 本身就是一份完整的操作手册，AI Agent 读取后即可理解如何调用 infsh CLI 来控制浏览器。
AI Agent ──读取──> SKILL.md（提示词/文档）
│
└──调用──> infsh CLI ──> inference.sh 云端服务 ──> Playwright 浏览器实例
3.2 @e 引用系统（核心机制）
这是该技能最关键的设计。每次打开页面或执行 snapshot 时，页面上的可交互元素会被编号为 @e1、@e2、@e3... 的引用标识：
@e1 [a] "Home" href="/"
@e2 [input type="text"] placeholder="Search"
@e3 [button] "Submit"
Agent 通过这些简短的引用来操作元素，而不需要写 CSS 选择器或 XPath。这大幅降低了 AI 理解和操作网页的难度。
关键规则：页面导航后引用会失效，必须重新 snapshot 获取新的引用。
3.3 会话（Session）管理
采用有状态会话模式：
- 创建会话 —
--session new启动新浏览器实例，返回session_id - 复用会话 — 后续调用传入
session_id，保持 Cookie、登录状态等 - 关闭会话 — 调用
close释放资源，如有录屏则返回视频文件
这让 Agent 可以跨多步操作保持浏览器状态，比如先登录再执行后续操作。
3.4 六大函数接口
| 函数 | 作用 | 核心参数 |
|---|---|---|
open | 打开 URL，初始化浏览器 | url, record_video, proxy_url |
snapshot | 重新获取页面元素引用 | 无 |
interact | 执行交互动作 | action, ref, text 等 |
screenshot | 截图 | full_page |
execute | 执行 JavaScript | code |
close | 关闭会话 | 无 |
3.5 提示词引导策略
SKILL.md 的提示词设计有几个巧妙之处：
- 触发词列表 — 在 frontmatter 中定义了
browser,web automation,scrape,navigate等关键词，确保 Agent 在用户提到相关需求时自动激活该技能 - 工具白名单 —
allowed-tools: Bash(infsh *)限制只允许调用infsh开头的命令，防止 Agent 执行危险操作 - 工作流模板化 — 通过 "Open → Interact → Re-snapshot → Close" 四步标准流程，让 Agent 形成固定的操作模式
- 丰富示例 — 提供表单提交、搜索提取、截图录屏等完整示例，Agent 可以直接模仿
3.6 与其他技能的协作
文档推荐搭配使用：
- web-search — 先搜索再浏览具体页面
- llm-models — 对提取的网页内容进行 AI 分析
总结
agent-browser 是一个设计精良的浏览器自动化技能，其核心创新在于 @e 引用系统——将复杂的 DOM 元素定位简化为简短编号，让 AI Agent 无需理解 HTML 结构即可操作网页。通过 inference.sh 的云端 Playwright 实例，Agent 获得了完整的浏览器能力，同时 allowed-tools 机制确保了安全边界。整体是一个"提示词驱动 + CLI 调用"的典型 Skills 架构。
