TechMoon 科技月球
WordPress、SEO 與 AI 工具實測指南
TechMoon 科技月球
WordPress、SEO 與 AI 工具實測指南

Vercel Labs 開源的 agent-browser 把網頁變成帶編號的文字清單,AI 代理讀快照、點編號就能操作網頁,不必每步傳截圖。實測 example.com 核心迴圈僅一行快照,11 月 v0.42、v0.43 兩波改版補上語意提示與流程重放,安全控制預設全開要自己掛。
用 AI 摘要這篇文章:
Vercel Labs 的開源專案 agent-browser 在 11 月 10 日與 11 月 12 日接連發布 v0.42.0 與 v0.43.0 兩個正式版:前者加入實驗性的流程錄製重放,後者給文字快照補上語意提示,同時把安裝套件改成每平台獨立下載。這個 2026 年 1 月才建立的 Apache-2.0 專案,截至 11 月 19 日 GitHub 星數已到 5.28 萬、npm 累計 139 個版本,十月以來就發了 12 個正式版。一句話講它的定位:給 AI 代理用的瀏覽器命令列工具,代理讀的是精簡文字快照、點的是元素編號,不必每一步都搬一張截圖。
我實際裝了既有的 0.41.0 版跑過核心迴圈,11 月兩波改版的新行為則以官方 release notes 為準。以下先拆機制,再看改版實際改了什麼、誰該升級,以及最容易低估的一段:安全控制預設是全開的。
agent-browser 是原生 Rust 寫的命令列工具,經 npm、Homebrew 或 npx 三條路安裝,背景跑一個常駐程序、透過 Chrome DevTools Protocol 控制瀏覽器,瀏覽器跨指令保持開啟。常駐程序用工作階段隔離,--session 各配一個專屬的常駐程序與瀏覽器實例,互不踩線;無頭瀏覽器閒置一小時沒有指令就自動關閉,有設定工作階段保存時會先把狀態存好。核心迴圈只有四步:開頁、拍快照、照編號行動、讀結果確認。
實際跑一次最有感覺。對 example.com 執行 snapshot -i,整個互動快照就一行:
- link "Learn more" [ref=e1]
接著 click @e1,再用 get url 確認,網址從 example.com 變成 iana.org 的說明頁。整個過程沒有任何圖片傳輸。換到內容更密的 agent-browser.dev 官網首頁,互動元素快照是 6,308 位元組,同一頁的原始 HTML 有 260,455 位元組,快照約為整頁的百分之二點四。這就是它敢說省 token 的機制基礎:代理收到的是結構化文字清單,每個可點的元素帶一個 @e1 這樣的短編號。

兩條使用紀律寫在 README 裡。快照裡的編號只代表拍照當下的頁面,導航或畫面變更後就失效,行動前要重拍;點擊也不會假裝成功,目標若是隱藏、停用、在視野外、或被同意橫幅蓋住,指令會直接回報失敗,代理拿到的是可除錯的錯誤而非假結果。這兩條紀律比省 token 更重要,它決定了代理的操作迴圈能不能自我修正。
除了快照,還有個 read 指令直接抓頁面的代理可讀文字,適合純閱讀的場景;要行動時,定位除了編號也收 CSS 選擇器、XPath 與語意定位,例如 find role button click --name "Submit" 這種寫法,鎖得住語意清楚的按鈕就未必需要先拍快照。整個工具的指令表面很大,從分頁、框架、對話框、Cookie、網路攔截到截圖、錄影、PDF、效能剖析都有,但代理真正要學的核心只有快照與編號那一小圈,這也是它對代理友善的原因。
幾個容易誤會的地方先說清楚。介面以命令列為主,但 agent-browser mcp 會起一個 stdio 的 MCP 伺服器給 MCP 用戶端用,所以「純 CLI、跟 MCP 無關」是過度簡化,已經用 MCP 架構的團隊不必二選一。瀏覽器也不綁死 Chrome for Testing:可以 --cdp 接既有 Chrome、換 Lightpanda 或 Obscura 引擎、驅動 iOS 模擬器裡的 Mobile Safari,或直接用 Browserbase、Browserless、Browser Use、Kernel、AgentCore 這些雲端供應商當引擎。前一天我們才寫過 Browser Use 1.0 把 browser-harness 整併成引擎的消息,兩邊目前的關係寫在設定裡:agent-browser 把 Browser Use 列為雲端瀏覽器選項之一,而不是競爭對手。
技能系統是另一個設計重點。agent-browser skills get core 會印出隨 CLI 版本對齊的核心用法指南,代理第一次用之前讀一份就上手;也有 Electron 桌面應用、Slack、探索性測試、雲端供應商等專門技能。懶得管版本的人可以從 skills.sh 裝一份探索用的 stub 技能,它只做一件事:叫代理先去跑 skills get core 再照著做,指引永遠跟著安裝的版本走,不會出現文件與工具版本脫節的舊問題。
v0.43.0(11 月 12 日)修的是文字快照這條路最老的洞。無障礙樹抓出來的元素名稱,有些是空的(只有圖示的按鈕),有些跟別的元素撞名,代理看到一排長得一樣的編號只能猜。改版後,這類控制項的快照會在編號後面附加提示,列出它的圖示、data-testid、name 或 id 屬性,以及最近的表格列或清單項目文字,猜錯的空間明顯變小。同一版還有三個改動:新增 Modern Web Guidance 技能,抓 Chrome 對某類任務的官方指引、再用 agent-browser 檢查蓋出來的頁面有沒有遵守;原生二元檔改成每平台獨立套件,npm 安裝只下載本平台的那份二元檔,安裝腳本被封鎖的環境也會自動改用連結;大頁面的快照從重複解析無障礙樹改為只解析一次,收尾更快。另有一個修正跟前面的誠實失敗原則同一條線:分頁被關掉後再下指令,以前會傻等逾時,現在直接回 Target closed 錯誤,代理不必再耗一段空等才知道出事了。

v0.42.0(11 月 10 日)的主菜是實驗性的 saved flows:把一個瀏覽器任務錄下來,之後重放。重放不是傻傻重演滑鼠點擊,它分三層嘗試,先試直接發 HTTP 請求、再試從頁面裡發同一個請求、前兩層都失敗才重放錄下的操作指令,並記住成功的那一層,下次直接走最短路徑。安全上有限制:請求只發往公開位址。對重複的資料抓取或煙霧測試場景,這等於把「代理逐步操作」換成「錄一次、之後重放」,token 成本有機會壓到趨近於零。同版還把核心技能檔改成明確指示代理偏好快照:只有被要求、或內容是 DOM 表達不了的情況才截圖。
改版之外,幾個小修正值得點名。v0.41.2 起會對照 Chrome Releases 官方公告,發現新版 Chrome 修了 CVE 時發出安全警告(不擋操作,可用環境變數關掉);v0.42.0 修了 macOS 上裝在使用者應用程式資料夾的 Chrome 抓不到的問題,也修了 Safari 與 iOS WebDriver 連線被丟掉的狀況,並把填字與打字會更動字面文字、滑鼠座標遺失小數這類會讓重放失真的細節一併修掉。工作階段的重用與重新啟動也收斂到常駐程序單一處判斷,連線目標要附加成功後才保留,安全性設定跨常駐程序重啟不會掉。
已經把 agent-browser 當依賴的代理工作流,這波最該注意技能檔的行為變化。技能是隨 CLI 版本對齊發布的,v0.41.2 精簡了核心技能、把細節移到參考文件,v0.42 又改成偏好快照,升級後代理的操作習慣會跟著文件變,跑過的流程建議重驗一輪。
用 npm 全域安裝、或在 CI 裝它的環境,會直接感受到每平台套件的好處:下載量從全部平台的二元檔縮成只有本平台那份,安裝腳本被資安政策擋住的機器也多了自動連結的退路。官方供應的二元檔涵蓋 macOS 的 ARM64 與 x64、Linux 的 ARM64 與 x64(glibc 和 musl 都有)、以及 Windows x64,npm 套件會自己挑對的。用 Homebrew 的使用者照一般 brew upgrade 流程升級即可。
有重複網頁操作需求的人,saved flows 值得現在就試,但要把它當實驗功能對待:官方明確標註 experimental,行為後續會變,別直接上生產管線。至於只是手動敲指令、偶爾開頁抓資料的人,核心迴圈這幾版沒有動,不升級也不影響日常使用。
安全文件開頭就寫明白:導航、動作、輸出三類控制全部是 opt-in,預設狀態下 agent-browser 不加任何限制。換句話說,裝好就讓代理跑,它能去任何網站、做任何操作、把頁面內容原樣搬進上下文。要收緊,得自己把旗標掛上。

可用的工具箱不算小。網域白名單 --allowed-domains 會擋下往白名單外網域的導航、子資源請求、WebSocket 連線與 sendBeacon,支援萬用字元寫法,支援的 Chromium 工作階段裡 WebRTC 對外連線也一併停用,設定存在工作階段檔裡跨重啟生效,但官方也明說這不是作業系統防火牆。動作政策用一份 JSON 檔指定哪些類別允許或拒絕,navigate、click、fill、eval、download、upload 之類都各有分類,檔案缺失或格式壞掉就全部拒絕,走的是寧嚴勿鬆。--confirm-actions 把指定類別改成要人工 confirm 才執行,放著不管 60 秒自動拒絕。內容邊界功能用每個程序獨生的隨機 nonce 把頁面輸出包起來,快照、取文字、eval、console 輸出都在保護範圍,防的是網頁裡藏的提示注入文字被代理當成指令,算是對間接注入的縱深防禦。輸出上限 --max-output 則防止超大頁面灌爆上下文。
登入態的處理有單獨設計:auth vault 把憑證存在 ~/.agent-browser/auth/,設定檔以 AES-256-GCM 加密,檔案權限收在僅本人可讀,代理引用名稱、看不到密碼本身。專案層的 agent-browser.json 設定檔會被自動探索,但探索帶信任過濾,不是路過的目錄都能塞設定進來;外掛程序同樣以能力動作閘住,例如讀取 vault 憑證這種敏感操作要明確授權。不過 vault 管的是憑證存放,不是代理的行為邊界,讓代理碰生產環境或已登入工作階段前,白名單與確認閘仍然要自己掛。我們先前寫 Browser Use 接管已登入 Chrome 時提過同樣的原則:交出去的是整個瀏覽器設定檔的控制權,專門開一個乾淨的設定檔給代理用,永遠是最便宜的一道防線。代理到底需要看到畫面還是讀得到結構就夠,可以回頭看代理瀏覽器工具的分界那篇的拆解。
第三方社群的數字要分開看。agent-browser.dev 首頁引了幾位開發者的說法,例如 Jason Zhou 說他的測試裡 token 消耗比 Chrome DevTools MCP 少 70%;Eleanor Berger 則說本地端的 MCP 伺服器全停用了,Playwright 換成 skill 加 agent-browser。這些是真實的採用訊號,但都是別人的單次測試與自述,換到你的頁面、你的代理、你的流程,數字不會自動成立;我量到的是機制層的 6,308 對 260,455 位元組,至於跨工具的系統性比較,目前沒有夠乾淨的公開基準可以引用。
還有一條邊界取決於你自己的頁面。快照讀的是無障礙樹,前端語意標記做得差的地方(沒有文字的按鈕、沒有 label 的輸入框),快照能給代理的線索就少,v0.43 的提示機制補的是這個洞,補得完不完要看實際頁面。想預先知道自己站上代理看得到什麼,拿快照跑一遍比讀任何評測都準;順帶一提,用 axe-core 做無障礙掃描把語意基礎顧好,對人與對代理是同一件事。
星數同樣是流動數字,5.28 萬對應 11 月 19 日。saved flows 還在實驗階段,saved 之後的層級選擇與請求限制都可能調整。這些資訊的時效大概到 12 月中:如果 saved flows 轉正、或下一個 minor 版本又動了技能行為,屆時值得回來對一次帳。
現在就能做的事很單純。已有安裝的人升到 0.43.0,順手重跑一次依賴快照的流程確認行為;要試的人三條路挑一條,npm install -g agent-browser、brew install agent-browser,或免安裝直接 npx agent-browser open example.com,第一次跑 agent-browser install 下載 Chrome for Testing。裝完建議把這行寫進專案的 AGENTS.md,讓終端機代理自己學會正確用法:
Use `agent-browser` for browser automation. Before the first use, run
`agent-browser skills get core` and follow it.
要讓代理碰任何值得保護的東西之前,先把 --allowed-domains 掛上。這個工具把瀏覽器的門打開得很徹底,關門的責任在使用者手上。