让 Agent 像真人一样看网页，终于做到了。
来源:https://mp.weixin.qq.com/s/GD-hjbsfC1zOUUODTiZDaw
让 Agent 去操作浏览器这件事儿，听上去很容易，但是实际上做起来全是坑。
反爬拦截、Token 爆炸、经验不能积累，这三个问题就相当于三座大山。
最近我在 GitHub 上刷一个项目，它用三层结构把这三个大山都搬走了。
它叫 BrowserAct，在 GitHub 上已经获得了2900 多个星星。
用一句话来总结就是：
它是一套专门给Agent用的浏览器自动化工具。
以前做这件事是在 Agent 上加一层 Playwright ，勉强可以用，但是这两个框架并不是为Agent而设计的。
真实的网络上有很多反爬机制，一上去了就遇到拦截。
即使没有被拦截，原始HTML动不动就几万个token，成本也会爆炸；换一个网站又要重新摸索DOM结构。
BrowserAct 用三层架构，把这些问题都解决了。
01 环境层突破：使Agent看起来像人一样。
做跨境电商的人们都会遇到这样的问题：要对竞争对手在亚马逊上的价格变动进行监控。
传统的做法是逐个打开商品页面进行截图和记录，既耗时又容易出错。
找个Agent给你干 ？
我们都知道亚马逊有很强大的反爬虫机制，普通的Agent一进来就被拦截了。
BrowserAct 为了解决该问题而创建了一个环境层。
使用 stealth 反检测浏览器、指纹伪装、动态代理、session/cokkie/profile 隔离等方法来使Agent看起来更像真人，而不是一个自动化的脚本。
比如让 Agent 在亚马逊上搜索“无线鼠标”，那么它就会启动 stealth 浏览器，并且使用普通用户的手指印来伪装自己，从而绕过反爬虫检测。
还可以输入序号让它查看详情页。
网站所看到的是“一台Windows机器上正常的请求”，而不是“一个自动化的脚本在访问”。
理论上看来很完美，不过为了万无一失。
它还会到 bot.sannysoft.com 做反检测测试。
结果很牛X，全部都为绿色通过。
02 执行层自动化：用一条命令就能完成很多的工作。
环境层解决的是“进去”的问题，执行层解决的是“拿出来”的问题。
Agent 不用自己去解决“怎么绕过反爬”的底层问题了，可以直接用标准命令来控制浏览器。
比如点击第三个交互元素，在第二个输入框里填入“...”，用stealth-extract来提取被保护网页的内容。
返回的结果不是原来的 HTML，而是转化成了结构化数据，可以把商品名称、价格、店铺、销量等信息保存到Excel里。
虽然亚马逊的反爬机制一直都很严格，但是 BrowserAct 可以正常访问页面并且提取出商品数据，甚至连Prime配送信息也可以正确抓取。
03 人机交互层合作：当机器人卡住了的时候不要着急，让人类来接替。
最上层是人机交互层，Agent 卡住的时候，可以生成远程链接让人接手。
比如亚马逊查看卖家后台的数据要登录验证，Agent 打开页面之后发现需要登录，就会自动暂停并生成一个远程链接。
点击链接完成登录验证之后，Agent 获得到了登录状态并且接着去获取卖家后台的数据。
另外它还把 Token 成本压下来了。
官方给了一组数据 ：
原始 HTML 大概有五万个tokens，在过滤之后只剩下两千多个tokens左右，减少了90%以上。
这个数字不是瞎编的，在官网上有一个演示，抓取了Amazon Electronics Bestsellers前80条的数据。
总共用时 2 分 14 秒。
成本对比很明显：Playwright MCP 是 1.75 美元，而 BrowserAct 只有 0.07 美元。
它有三种浏览器模式，根据场景来选择
01 Chrome模式：使用你已经登录过的账号
复用本地Chrome的登录信息，不必再重复输入用户名、密码或做验证。
02 Stealth 隐私模式：新的“干净身份”访问
每次都会产生一个新的浏览器指纹、一个新的代理IP，这就相当于有一个新的用户来访问网站一样。
03 保密固定身份模式：稳定多账号运营
用固定的指纹和固定的IP地址，在每个浏览器环境中都会产生一个长久稳定、独一无二的身份。
还有一个更强大的功能：用 Skill Forge 自动生成可复用的 Skill
Skill Forge 可以根据你的需求，自动帮你生成 Skill。
比如说你要“提取亚马逊鼠标排行榜前 10 名的商品”，不需要你自己去研究网页结构，也不用自己写脚本。
只需安装并调用 Skill Forge，然后用自然语言说出你的需求。
它会自动分析出要使用哪种方案（如DOM API、页面操作等等），并生成相应的Skill，最后进行测试验证。
整个过程就是给 AI 提要求，然后由它把需求转化为可以重复使用的 Skill。
Skill Forge 地址：
https://github.com/browser-act/skills/tree/main/browser-act-skill-forge
该项目中已经预制了70多个技能，包括Amazon、淘宝、闲鱼等平台。
看完这些功能，相信各位已经迫不及待了
直接打开 Claude Code，输入：
请帮我安装 BrowserAct Skill: https://github.com/browser-act/skills/tree/main/browser-act
下面是我做亚马逊搜索无线鼠标案例所用到的所有命令供各位参考。
写在最后
Agent 的下半程，并不是比谁的对话更优美，而是看谁执行得更快。
BrowserAct 让 Agent 可以像人一样使用浏览器。
它大多数的功能是免费的，只有在需要用到代理时才需要付费。
有需要的朋友可以装上用一下。
项目基于 MIT 协议开源，感兴趣的同学可以去 GitHub 仓库看看源码和文档。
开源地址：https://github.com/browser-act/skills
官网：https://www.browseract.ai/kyrj
既然看到这了，欢迎随手点赞、在看、转发，也可以给我个星标⭐，接收最新的文章，我们下期见！