agent 怎么用浏览器？agent-browser 的答案是一条条 shell 命令

年初到现在，Vercel Labs 的 agent-browser 已经涨到 45,703 星（Apache 2.0，Rust）。它值得单独再聊一次，不是因为星数，而是因为它给「agent 怎么用浏览器」这道题交出了一个极简的交互模型：一条 shell 命令，走一步。

工作循环设计给机器而不给人：snapshot 命令把当前页面读成带 ref 的紧凑文本，每个元素一个编号（如 @e1）；agent 对 ref 发操作（click @e1），再 snapshot 确认结果，如此往复。浏览器在命令之间保持打开，每步只是一次短调用。尤其值得称赞的是它不谎报成功：目标被隐藏、禁用、移出视口或被 consent 横幅遮挡时直接报错，逼 agent 先处理遮挡再重试，这对自动化的可信度至关重要。

上手三句话：npm install -g agent-browser，agent-browser install 首次下载 Chrome for Testing，然后就能用；也支持 Homebrew、Linux 加 --with-deps 装系统库、npx 免安装。会话工程也齐备：每次会话独立 daemon 与浏览器，无命令一小时自动关闭，会话持久化可自行配置；另有 upgrade 和 doctor 命令做自检。

生态位是这次最值得看的增量：它可以通过 --cdp 或 --auto-connect 接管正在运行的真 Chrome，支持 Lightpanda 与 Obscura 引擎，甚至能驱动 iOS 模拟器里的 Mobile Safari；Browserbase、Browserless、Browser Use、Kernel、AgentCore 等云浏览器都列在支持清单上。集成面则顺着 agent 生态走：agent-browser mcp 一条命令起一个 stdio MCP server 供任意 harness 调用；自带 skills 体系，经 skills.sh 装进 agent harness 的 skill 只是个 stub，执行时再拉取与已装 CLI 版本匹配的指令，巧妙解决了 skill 与 CLI 版本漂移的问题。

和 agent-desktop 的分工也清晰了：那边是「桌面 agent 接管整台电脑」，这边是「给 agent 一只能一步步驱动的浏览器」。写爬虫、做网页自动化、让 agent 操作 SaaS 后台，从喂一段 Playwright 脚本变成一条条命令推进，调试粒度完全不同。唯一要记住的成本：首次要下载 Chrome for Testing，闲置一小时 daemon 会退出，需要长会话就自己配持久化。