浏览器智能体

核心能力

浏览器智能体主要具备以下能力：

• 打开与导航网页

  • 根据你给出的 URL 打开指定网页。

  • 在同一站点内跳转到新的页面或标签，例如点击导航栏链接、分页链接等。

  • 支持多步导航任务，例如"依次打开 A 页面 -> 点击 B 菜单 -> 进入 C 详情页"。

• 阅读与提取信息

  • 读取当前页面的可见文本内容，如标题、段落、列表和表格等。

  • 从页面中提取关键信息，并用自然语言为你总结或对比。

  • 根据你的指令在页面中"查找"相关信息，例如"在这个页面上找一下价格相关的内容"。

• 交互与操作页面

  • 点击按钮、链接、切换标签页或展开/收起折叠内容。

  • 在输入框、搜索框等表单元素中输入文字，并提交表单。

  • 通过滚动页面浏览更多内容，避免遗漏关键信息。

• 可视反馈与状态感知

  • 在执行复杂步骤时，按需截图当前页面状态，用于后续判断与说明。

  • 感知页面是否加载完成、表单是否提交成功、是否跳转到了新的页面等，以便决定下一步操作。

适用场景示例

你可以在以下场景中考虑使用浏览器智能体：

• 信息检索与对比

  • 访问产品官网、文档站点或博客，提取关键信息并生成总结。

  • 对多个页面或多个方案进行对比，例如价格、功能或配置差异。

• 在线操作与流程演练

  • 演练一个「基于网页」的操作流程，例如注册账号、提交工单（在权限允许和风险可控的前提下）。

  • 帮助你梳理某个 Web 后台系统的典型使用步骤，并输出操作说明草稿。

• 辅助开发与测试

  • 打开线上文档或 API 参考，提炼出与你当前代码相关的部分。

  • 浏览 Web 应用的界面，帮助你检查页面结构、文案或交互逻辑，并给出优化建议。

建议在任务描述中说明目标和约束（例如"只阅读不提交任何表单""只访问公开文档页"），帮助智能体更安全、稳定地完成任务。

浏览器类型

Browser Agent 支持两种浏览器类型，你可以根据需要切换：

• 内置浏览器：IDE 内置的轻量级浏览器面板，无需额外配置，适合快速预览和简单页面交互。

• Chrome：使用本地 Chrome 浏览器执行，支持更复杂的 Web 应用和需要特定浏览器特性或扩展的页面。

你可以在 Browser Agent 设置中切换浏览器类型。

如何在智能体模式中使用

浏览器智能体已内置于智能体模式中，无需单独配置。你可以通过两种方式调用它：

• 自动调用：智能体模式会根据你的请求智能判断何时需要浏览器智能体。

• 显式调用：使用 /browser 命令显式请求浏览器智能体。

详细使用步骤如下：

使用建议与最佳实践

• 明确目标与边界

  • 尽量用一句话说明"要达成的结果"，而不是只描述某一步操作。

  • 对安全或权限敏感的操作，明确说明"不执行提交/支付/删除等操作"。

• 提供稳定的入口链接

  • 优先提供具体页面 URL，而不是模糊的搜索词，这样可以减少跳转干扰。

  • 如果需要跨多个页面操作，可以在提示中列出关键页面或路径。

• 适度拆分任务

  • 对于非常长的流程（例如复杂配置向导），可以拆分成多个小目标，逐步执行并确认中间结果。

  • 在每一阶段结束后，根据 Browser 智能体返回的结果，适当调整下一步的指令。

安全与限制

在使用 Browser 智能体时，需要注意以下事项：

• 权限与隐私

  • 避免让 Browser 智能体在网页中输入或暴露任何敏感信息（如密码、访问令牌、个人隐私数据等）。

  • 对涉及账号登录、支付或写入数据的操作，请优先采用手动方式完成，再让智能体进行只读验证或说明。

• 页面兼容性与稳定性

  • 某些高度依赖前端框架或复杂交互的站点，可能存在加载缓慢或元素难以识别的情况。

  • 页面结构或文案如果频繁变更，可能导致部分步骤执行失败，此时你可以补充更明确的描述或换一个更稳定的入口页面。

• 结果可信度

  • Browser 智能体的回答基于实时访问到的网页内容，但网页本身可能并非权威信息，建议在关键决策前自行复核。

  • 对于需要法律、合规或高风险业务判断的场景，不应仅依赖 Browser 智能体的自动化结果。