AI 资源库 · 已整理 2 项

浏览器操作

查看与浏览器操作相关的 AI 资讯、工具、Skill、工作流和开源项目。

Agent 与工作流

我们如何为 Deep Agents 优化浏览器使用

LangChain 团队给自家的 Deep Agents 加上了浏览器操作能力，让智能体能在没有公开 API 的网站上自动完成多步任务。难点在于浏览器工具调用次数多、每次返回的网页内容又很杂，很容易浪费时间和费用。他们对比了七种浏览器工具方案，最终选用 Browserbase 的 Stagehand，并通过 LangSmith 追踪和评测反复调整。改进后 Stagehand 方案通过率最高（90%），总花费约 1.98 美元，每任务中位耗时 17.4 秒；相比之下 Playwright MCP 通过率 78%，花费 26.71 美元，约是前者的 13 倍，耗时也是三倍。托管版 Deep Agents 已能替用户运行浏览器，但文中提到的部分评测和上游改动属于内部测试与贡献，并非全都已对普通用户开放。

文中可用工具

  • StagehandBrowserbase 推出的浏览器操作工具集，让智能体用代码批量操作网页
  • Browserbase托管浏览器服务，负责处理验证码、反爬和规模化运行浏览器
  • LangSmith用于追踪智能体运行轨迹、做实验对比和评测的开发者平台
  • Playwright MCP基于 Playwright 的浏览器工具集，每个动作单独调用
  • browser-use原文未说明具体用途，仅列为对比的原生工具方案之一
  • Browserbase MCPBrowserbase 提供的 MCP 服务器形式浏览器工具
  • agent-browser原文未说明具体用途，仅列为对比的 CLI 工具方案之一
  • browse CLIBrowserbase 的命令行浏览器工具，智能体在 shell 中执行浏览器命令
# Agent 与工作流# LangSmith# Stagehand# 浏览器操作# 工具对比
☆ 收藏查看来源 ↗
评论 · 分享第一个看法
Agent 与工作流

托管式深度 Agent 支持浏览器操作

LangSmith 的托管式深度 Agent 现在可以让你的 Agent 自己操作浏览器了。原来 Agent 只能靠 API 办事，遇到订机票、填表单这类没有 API 的网页就没法处理，用 curl 抓页面也拿不到 JavaScript 渲染后的内容。这次 LangSmith 直接替 Agent 跑一个远程浏览器，并配上读取页面、点击填写、截图和人手接管等工具；遇到登录时可以把浏览器交给你自己输密码，登录状态还能沿用，省得把密码交给模型。开发者只需写几行配置就能开启，用开源 Deep Agents 构建的 Agent 也能用。

文中可用工具

  • Managed Deep Agents在 LangSmith 上托管运行 Agent 和浏览器，无需自建基础设施
  • LangSmith托管 Agent 运行环境并查看调试轨迹
  • LangSmith Studio与 Agent 对话调试的界面，登录卡片在这里展示
  • Deep Agents开源 Agent 框架，也可使用浏览器能力
  • StagehandBrowserbase 的开源浏览器 Agent SDK，浏览器工具基于它构建
  • WebVoyager用于测试和调优浏览器工具的评测基准
  • browser_snapshot读取页面可访问性树并给交互元素编号
  • browser_run批量执行点击、填写等操作或运行 Playwright 风格脚本
  • browser_screenshot截取渲染后的页面
  • browser_handoff把浏览器交给用户登录或操作，完成后再交还
# Agent 与工作流# LangSmith# 浏览器操作# 托管式深度 Agent
☆ 收藏查看来源 ↗
评论 · 分享第一个看法