托管式深度 Agent 中的浏览器使用
LangSmith 的 Managed Deep Agents 现在能替你的 Agent 运行浏览器，让 Agent 像人一样点击、滚动和填表，去做那些没有 API 可用的网页操作，比如订机票或提交理赔。原来 Agent 只能抓网页源码，Java渲染出来的内容和按钮它都碰不到。这次提供了几种配套工具，还能在需要登录时把浏览器交给你本人操作，登录状态可以沿用。对读者来说，以后让 Agent 代办网页事务会更顺手，也不必把密码交给模型。
文中可用工具
- Managed Deep Agents在 LangSmith 里构建和部署 Agent，无需自己运维基础设施
- LangSmith运行 Agent 的托管平台，也用于查看和调试运行记录
- browser_snapshot读取页面结构并给可交互元素标上编号
- browser_run在页面上执行点击、填写等操作或一段脚本
- browser_screenshot截取渲染后的页面画面
- browser_handoff把浏览器交给真人操作，完成后再交还 Agent
- StagehandBrowserbase 开源的浏览器 Agent 开发 SDK，这些工具基于它构建
- WebVoyager用于测试浏览器 Agent 在真实网站上完成日常任务的基准
- Open SWE用浏览器做端到端测试的编程 Agent
评论 · 分享第一个看法