自然语言驱动浏览器自动化

基于 Stagehand 的浏览器自动化 CLI 工具，支持自然语言指令实现网页导航、数据提取、表单交互与截图，本地/云端双模式运行。

基本信息

• 技能名称?Stagehand Browser CLI
• 中文名称?自然语言驱动浏览器自动化
• 作者?peytoncasper
• 分类?专业技能
• 版本?1.0.0
• 标签?browser-automation, web-scraping, cli-tool, stagehand, puppeteer, playwright, data-extraction, screenshot

使用方法

使用说明
核心用法
browser 技能是一个封装了 Stagehand 框架的命令行工具，允许用户通过自然语言指令自动化浏览器操作。主要功能包括：网页导航 ( navigate )、执行动作 ( act )、数据提取 ( extract )、元素发现 ( observe )、截图 ( screenshot ) 和关闭浏览器 ( close )。
使用流程

1. 首次配置 ：运行 npm install 和 npm link 创建全局命令
2. 环境选择 ：自动检测环境变量，优先使用 Browserbase 远程环境（需配置 API key），否则回退到本地 Chrome
3. 操作序列 ：必须先 navigate 到目标 URL，再执行交互指令，建议每一步后查看截图验证
   显著优点
   自然语言交互 ：无需编写复杂的选择器或脚本，用中文/英文描述即可操作页面元素
   双模式灵活部署 ：本地模式速度快适合开发调试；Browserbase 模式支持 stealth、代理和 CAPTCHA 绕过，适合生产爬取
   结构化数据提取 ：支持可选 JSON Schema 约束，返回格式化的提取结果
   观测模式兜底 ：当动作失败时，可用 observe 智能发现可用元素
   潜在局限
   依赖外部服务 ：Browserbase 需付费且受 API 稳定性影响；本地模式需预装 Chrome
   动作抽象成本 ：自然语言描述可能存在歧义，复杂交互仍需精确描述
   无状态会话 ：每次 close 后会话清空，跨任务需重新导航
   安全边界模糊 ：CLI 直接执行系统命令，若用户输入注入恶意指令存在风险
   适合人群
   数据分析师/研究人员：快速抓取网页数据无需写爬虫
   QA 工程师：自动化 UI 回归测试
   产品经理/运营：竞品监控、页面截图存档
   开发者：快速验证网页交互原型
   常规风险
   凭据泄露 ：Browserbase API key 存储于 .env 文件，需确保文件权限和版本控制排除
   恶意网站 ：访问不可信站点可能触发 XSS 或下载风险，Browserbase 的隔离环境可部分缓解
   数据隐私 ：提取的网页数据可能包含 PII，需遵循目标网站 robots.txt 和隐私政策
   误操作风险 ： act 指令如描述不清可能点击错误按钮导致非预期状态变更（如误下单、误删数据）