BrowserAct，给AI Agent配一个真实浏览器，从安装到实战

大家好，我是狂师。

事情是这样的，最近群里在聊一个老话题，Agent 什么都行，一到「去网站上帮我看看」就歇菜。

页面是动态渲染的，curl 拿到一坨壳。数据要登录才能看，无头浏览器里 session 又不延续。好不容易进去了，Cloudflare 一个挑战页甩脸上。

Static page还好，现在稍微像样点的网站，反爬、验证码、登录态，三道墙至少撞上一道。

Agent 缺的其实就一样东西，一个能感知真实在跑的浏览器。

BrowserAct 补的就是这块，今天这篇聊一聊，它是什么、能干什么、怎么装、怎么用。

BrowserAct 是什么

一句话概括，它是一款给 AI Agent 用的浏览器自动化 CLI，带全套反封锁能力。

开源仓库在 GitHub，browser-act/skills，MIT 协议、Python 写的。

今年 2 月才开源，半年时间 Star 冲到 5.6K，目前还在持续更新。它有两种用法，云端和本地，官网上那张对比图说得很清楚。

云端模式，去官网输入框里写一句你要什么数据，比如「抓 京东官网 无线耳机销量前 20，要价格、评分、库存和链接」，它自己建爬虫、自己验证、自己跑，产出结构化表格，还能定时重复执行。

本地模式，装两个 Agent Skill 进你的 Claude Code、Cursor 或者 Codex，Agent 就能直接指挥一个真浏览器干活，读你登录后的页面、填表单、点按钮、截图、抓请求。

两个 Skill 分工明确。

browser-act 是执行层，负责当下这个网页任务跑通。

browser-act-skill-forge 是沉淀层，把这次摸索的过程记下来，生成可复用的 SKILL.md 和脚本，下次同类任务直接调，不用从头探路。

能干什么，厉害在哪

翻完仓库 README，它的能力可以归成四块。

第一，三层反封锁。

环境层用隐身指纹、TLS 轮换、代理切换，让大多数拦截根本不触发。

执行层有 solve-captcha 自动过验证码，stealth-extract 一条命令拉取受保护页面。实在过不去还有人这一层，remote-assist 生成一个链接，你手机上点开接管，点完 Agent 接着跑。

第二，三种浏览器模式。

chrome 模式直接复用本地 Chrome 的登录态，cookies、扩展全带上。stealth privacy 模式每次全新指纹零残留，适合批量抓取。stealth fixed identity 模式指纹和 IP 都固定，适合登录账号长期多开，不被判定成机器人。

第三，为 Agent 而设计，不是为人写的脚本。

页面输出是索引化文本，比塞整页 HTML 省好几倍 token。交互靠索引，state 列出可点元素，click 3 点第三个，input 2 "ai" 往第二个框打字，不用解析 DOM。

第四，安全确认门控。

建浏览器、删浏览器、导入本地登录态、改代理，这些敏感动作一律先停下来等你确认，而且上次的授权不会顺延到下次。Agent 可以帮你操作网页，但动不动的决定权在人。

怎么安装

在 Claude Code、Cursor、OpenClaw 这类 Agent 环境里，最省事的方式是直接让 Agent 装。

跟它说，请帮我安装 BrowserAct Skill: https://github.com/browser-act/skills/tree/main/browser-act， 并检查运行环境，安装完成后执行 browser-act get-skills core --skill-version 2.0.2。

Agent 实际跑的命令是这三条。

npx skills add browser-act/skills --skill browser-act
npx skills add browser-act/skills --skill browser-act-skill-forge
browser-act get-skills core --skill-version 2.0.2

装完可以先来个零配置冒烟，一条命令抓取受保护页面。

browser-act stealth-extract https://x.com

完整自动化是这么一套动作，open 打开页面，state 看元素，click 按索引点，input 按索引填。

browser-act --session my-task browser open <id> https://x.com
browser-act --session my-task state
browser-act --session my-task click 3
browser-act --session my-task input 2 "ai"

get-skills 这步别省，Agent 每次会话开头跑一次，环境状态、浏览器列表、可用命令一次拿全，后面才知道哪些动作能直接做、哪些要停下来问你。

实战一，让 Agent 读你登录后的 GitHub Issue

这是我觉得最实用的一个场景，拿开源仓库的日常维护走一遍。

维护开源仓库的人都知道，Issue 列表扫一眼看不出什么，哪个有 PR 在等 Review，哪个其实修完了可以关，哪几个是同一个配置问题可以合并处理，这些都得点进详情页看讨论。

以前只能自己一个个点。现在把提示词丢给装好 BrowserAct 的 Claude Code。

使用 browser-act 进入我已登录的 GitHub 仓库，读取最近 10 个 open issue，
按 bug / feature / question 分类，输出标题、关键上下文、
可能涉及的模块、建议优先级、是否需要我进一步确认

它会先列出你本地的 Chrome Profile，说明接下来的动作，创建一个 chrome 类型浏览器，导入你的 GitHub 登录态。你确认之后它才继续，导入 cookies 和 localStorage，打开仓库的 Issues 页，逐个进详情页读上下文，最后给你一份分类报告，几条 Feature、几条 Bug、几条 Question，各自建议的优先级。

关键就在那个「你确认之后」。它进的是你登录态能看到的页面，但导入登录态这个动作本身，必须你点头。

读取整理归类交给 Agent，关 Issue 合 PR 这类状态变更留给人，边界清楚。

实战二，云端一句话建一个可复用爬虫

第二个例子换到云端上执行，适合不想装任何东西的人。

打开官网，在输入框里写一句话，拿官网当前的演示来说: 抓 京东 无线耳机销量前 20，字段要价格、评分、库存和来源链接。

它会在云端的真浏览器里自己探索页面、自己建爬虫、自己验证，首次构建的演示耗时 2 分 44 秒、消耗 3 个 credit，产出结构化表格。爬虫建好之后就是复用资产，之后每次重跑，20 条数据 18 秒收完。

有意思的是页面的自愈设计。网站改版了，爬虫路径失效，它会自己找新路径、验证通过后继续跑，不用你重新配选择器。做过爬虫的人都知道，选择器维护是最大的暗坑，这个设计等于把暗坑填了。

跑通的 Bot 还能挂定时任务，每天定时抓一遍，结果走 CSV、JSON、Zapier、n8n 都行。官网有个模板市场，YouTube 评论、Amazon 榜单、Reddit 帖子、Google Maps 商户，现成模板直接用。

我的一点看法

说点我自己的看法。

第一，它踩的位置很准。Agent 的短板从来不是写代码，是「跟真实世界打交道」。真实世界的网页有登录、有验证码、有反爬，这一层补上了，Agent 的活动范围直接扩大一圈。

第二，登录态复用是杀手锏。之前让 Agent 查我的 Issue、读我的订单，想都不敢想，现在它是「我」在操作，权限边界又卡在人确认这一步，这个设计比功能本身更值得夸。

第三，提醒一句，能力越大越要看清边界。能过验证码、能带登录态的自动化，用在哪条线上，合规责任在使用者自己，别拿去干网站明令禁止的事。

工具是好工具，回来我打算拿它把知识星球每日巡场那套流程再自动化一层，跑通了再来汇报。

官网 browseract.com

项目地址 github.com/browser-act/skills