BrowserAct 实战：反爬、验证码、Skill 体系与浏览器自动化全解析

零、题外话
昨天使用 AI 的时候突然给我来了这么一段：



好嘛，都会自我说明失误了，确定这不是你的失误吗？
下面进入正题👇

一、问题：为什么现有工具搞不定真实网站？
1.1 一个真实的踩坑经历
前阵子想让 AI Agent 去小红书抓一批热门帖子。Agent 写好脚本、拉起 Playwright、打开浏览器——然后 Cloudflare 的验证页面弹出来，任务直接卡死。
手动点掉验证码？脚本的状态已经丢了，前后对不上。重新跑？验证码可能又弹出来。来来回回折腾几次，最后放弃，老老实实复制粘贴了一下午。

💡 核心问题：这不是 AI "不够聪明"，而是现有工具根本不是为 Agent 设计的。

1.2 传统工具 vs Agent 工作模式的错位










维度


Playwright / Puppeteer / Selenium


AI Agent




工作方式


人类写固定脚本，机器照着执行


观察页面 → 决策 → 执行




元素定位


XPath / CSS selector


需要理解页面结构




容错能力


低（selector 一变就崩）


需要自适应




Token 消耗


不关心


DOM 文本动辄几千 token





传统工具的底层逻辑是"录宏再回放"。但 Agent 的工作方式完全不同：它先观察当前页面，再决定下一步做什么。两种模式根本不在一个频道上。
1.3 BrowserAct 的解法
把页面上所有可交互元素列出来，编上号。
AI 只需要说"点 3 号"、"往 2 号框里填 xxx"就行。不需要 XPath，不需要 selector，AI 看一眼索引列表就能干活。

🔑 设计哲学：让工具适配 AI 的思考方式，而不是反过来。


二、BrowserAct 的四层核心设计


整体示意图

2.1 索引式交互：Token 消耗降低 93%
# 查看当前页面所有可交互元素
browser-act --session my-task state
输出示例（示意）：
[1] 登录
[2] 搜索关键词
[3] 热门推荐
# 通过索引操作，无需写 selector
browser-act --session my-task click 3
browser-act --session my-task input 2 "AI Agent"
相比把整页 DOM 丢给 LLM 解析，索引式交互的 token 效率高得多——官方数据称可减少约 93% 的 token 消耗。

2.2 三层渐进式反爬
BrowserAct 把反爬拆成三个层次，而不是简单丢给你一个代理池：
第一层：环境层 —— 指纹伪装
不只是改 User-Agent，而是把请求头各字段、TLS 指纹、Canvas / WebGL / Audio 指纹都做到位，让每个会话看起来都是独立的真人用户。
这一步能挡掉大部分基础反爬。
第二层：执行层 —— 自动处理验证码










命令


功能


适用场景




​solve-captcha​


自动识别 hCaptcha、reCAPTCHA、Turnstile


遇到验证码弹窗




​stealth-extract​


零配置提取受保护页面内容


只需要内容，不需要交互





第三层：人工层 —— remote-assist​
真搞不定了叫人帮忙。Agent 卡住时生成一个链接，你点开就能在浏览器里接管当前会话。手动处理完验证码或登录后，Agent 从断点继续执行，会话状态连续，不需要重新开始。

⚠️ 这个设计很务实：承认自动化有边界，给人留一个口子。比那些强撑"全自动无人值守"的方案靠谱得多——真实世界本来就是 messy 的。


2.3 三种浏览器模式










模式


用途


特点




​chrome​


复用本地登录态


继承 Gmail、GitHub、公司 SSO，无需重新登录




​stealth​ 隐私模式


无痕批量抓取


每次新环境，指纹不同、IP 可轮换，用完即销毁




​stealth​ 固定身份


多账号操作


每个账号绑定固定指纹 + IP，防止平台关联






2.4 会话隔离与并发安全
# 两个完全隔离的会话，互不影响
browser-act --session taobao-spider browser open https://taobao.com
browser-act --session jd-spider browser open https://jd.com
每个会话跑在独立的浏览器实例里，文件系统、内存、网络全隔离。同一个浏览器内开多个 tab 也行，但会话之间不会串 cookies、不会掉登录态。

2.5 安全确认机制
以下敏感操作每次都需要用户明确确认，且不会"记住"上一次的选择：


创建 / 删除浏览器


导入 Profile


修改代理


开关隐私设置


这个机制在 Skill 层强制执行，不是可以关掉的配置项。对于长期跑自动化的场景，能避免不少误操作事故。

三、Skill 体系：一次探索，重复使用
3.1 为什么要用 Skill？
如果每次让 Agent 抓数据都要重新打开浏览器、分析页面结构、找元素位置——效率太低，token 也烧得厉害。
Skill 的思路：探索一次，重复使用。

3.2 两层架构
┌─────────────────────────────────────────┐
│ Skill Forge（生成工具） │
│ 自然语言描述 → 自动探索 → 生成 Skill 包 │
│ 优先抓 API 端点，找不到再退到 DOM 模式 │
└─────────────────────────────────────────┘
↓
┌─────────────────────────────────────────┐
│ Solutions Catalog（预置库） │
│ 30+ 现成 Skill，开箱即用 │
└─────────────────────────────────────────┘
Skill Forge 工作流程


描述需求：用自然语言，不用写代码


自动探索：打开 stealth 浏览器，优先抓取网络请求发现内部 API（API 比 DOM 稳定，网站改版时接口一般不变）


生成包：包含 SKILL.md​ + 可执行脚本，业务参数作为命令行参数暴露出来，而不是硬编码


自动测试：子代理跑一遍，失败了自己修，直到通过


Solutions Catalog 覆盖范围









类别


代表 Skill




电商


Amazon 商品详情、淘宝关键词搜索、1688、闲鱼




线索挖掘


Google Maps 商家、LinkedIn 职位、Product Hunt




搜索研究


Google SERP、新闻、网站深度爬取




社媒监听


小红书、知乎、Reddit、Instagram、X




视频平台


YouTube、TikTok、抖音






3.3 三种使用路径









场景


推荐方式




临时任务、一次性需求


直接用 browser-act​ 命令行或实时操作




长期跑、批量跑、重复跑


先用 Skill Forge 生成 Skill，后面直接调用




懒得自己探索


去 Solutions Catalog 找现成的






📌 三条路径不互斥，可以混着用。


四、实际用法示例
4.1 零配置提取受保护页面
# 一条命令，不需要写抓取代码
browser-act stealth-extract https://www.xiaohongshu.com/explore
自动开反检测浏览器，等 JS 渲染完，结构化输出页面内容。

4.2 让 Agent 在知乎上搜东西
直接跟 Agent 说：

用 BrowserAct 在知乎搜"AI Agent 2026"，把前十条标题和链接整理给我。

Agent 会自己调用 browser-act 打开知乎 → 输入关键词 → 点搜索 → 提取结果。全程旁观即可。

4.3 索引式操作完整流程
# Step 1: 启动会话并打开页面
browser-act --session my-task browser open https://example.com

# Step 2: 查看当前页面可交互元素
browser-act --session my-task state
# 输出示意: [1] 登录 [2] 搜索 [3] 链接

# Step 3: 通过索引点击
browser-act --session my-task click 3

# Step 4: 通过索引输入
browser-act --session my-task input 2 "hello"

五、安装与兼容性
5.1 一键安装
直接跟 Agent 说：

帮我安装 BrowserAct。Skill 源：https://github.com/browser-act/skills/tree/main/browser-act。安装完后验证一下能不能用。

Agent 会自动完成检测环境 → 拉取 Skill 文件 → 验证安装。前后不到一分钟。

5.2 兼容性









维度


支持情况




Agent


Claude Code、Cursor、VS Code、OpenCode、OpenClaw、Codex、Gemini CLI




操作系统


Windows、macOS、Linux




前提


能执行 shell 命令并加载 Skill 即可






六、定价与总结
6.1 定价表











功能


免费（无需注册）


免费（需登录）


付费




浏览器自动化、Chrome / Chrome-direct


✓


✓


✓




Stealth 浏览器（≤5 个）、stealth-extract、solve-captcha、remote-assist、隐私模式、Skill Forge


—


✓


✓




Stealth 浏览器（>5 个）、动态 / 静态代理


—


—


✓





大部分功能免费。付费项只有托管代理和超过 5 个 stealth 浏览器实例。

🎁 福利：给项目点 Star 后，加入 Discord 在 #claim-500-credits​ 频道可领取 500 免费积分。


6.2 一点看法
BrowserAct 做对了一件事：它没有试图让 AI 变得全能，而是承认了 AI 的边界，然后用工具把边界往外推了一点。


不需要让 AI 学会写 XPath → 把可交互元素编号让它选


不需要让 AI 硬扛验证码 → 把人类作为最后一层保障接进来


不需要让 AI 每次都重新探索页面结构 → 让 Skill Forge 生成可复用的包


如果你也被验证码、登录态、并发 session 这些东西搞到头大，BrowserAct 值得花一个下午试试。

6.3 相关链接









资源


链接




项目地址


https://github.com/browser-act/skills




文档


https://github.com/browser-act/skills/blob/main/docs/README.md




Discord 社区


https://discord.com/invite/UpnCKd7GaU