Claude Code + BrowserAct，夯爆了！一句话让 AI 帮你操控浏览器。

你好，我是 Guide 。前面已经聊过好几篇 AI Coding 工具的实战了，Claude Code 接 GLM-5.1 和 DeeSeek V4、GPT5.5 + Codex 等都写过了。

最近几天一直在研究 ：Agent 怎么更好地操作真实网页，比如让 Agent 去查我的 GitHub Issue、直接自动化操作页面填写表单。

技术群里的一位朋友推荐了个开源项目：browser-act/skills。

其实就是的两个 Agent Skill：browser-act 和 browser-act-skill-forge ，由 BrowserAct 开源。

在我写稿时，这个仓库已有 1.2K Stars，MIT 协议，主语言是 Python。

这个仓库没有再造一个浏览器自动化工具。它做的是把真实网页任务里最麻烦的那部分，包装成了 Agent 可以直接调用的能力：打开页面、点击按钮、填写表单、处理登录态、滚动加载、截图、捕获网络请求，再把结果整理成结构化数据。

有什么厉害的地方

用 Claude Code、Cursor 这类 Agent 跑任务时，只要步骤里出现"去某个网站查一下"，就很容易卡住。

静态页面还好，curl 一下可能就能拿到内容。但现在更多网站不是这样：页面靠前端动态渲染，数据藏在 XHR / fetch 请求里，列表还要点"加载更多"或者翻页才能继续看。

这些其实还只是基础难点。

真正麻烦的是登录态和反自动化检测。很多页面必须先登录，有些还要过 2FA；session 一断，整个流程就得从头来。

更别说现在不少网站会频繁触发验证码、Cloudflare Challenge、DataDome、reCAPTCHA 这类反爬机制，一旦识别出无头浏览器或自动化环境，返回的就不再是正常页面，而是验证页、拦截页，甚至直接空白。

这时候 Agent 缺一个能稳定进入页面、复用登录态、处理真实浏览器交互的执行层。

BrowserAct 补的就是这块：让 Agent 像人一样打开网页、点击按钮、填写表单、复用登录态，尽量把一个网页任务完整跑完，而不是停在"页面进不去"这一步。

官网给过一个演示：用一句 prompt 抓取 Amazon Electronics Bestsellers 前 80 条数据，字段包括 price、rank、reviews，最后导出 bestsellers.csv，页面展示耗时是 2m 14s。

这个例子能说明它的定位：抓取、解析、导出，把网页任务执行成一个可用结果。

BrowserAct Skill 是什么

这次开源的是两个可安装的 Agent Skill。

第一个是 browser-act。

它更像浏览器执行层，适合处理临时网页任务：打开页面、点击、输入、截图、读取登录后的页面、提取结构化数据、捕获 XHR / fetch / HAR 请求，或者检查页面视觉效果。

它支持两类浏览器路径。

一种是 Stealth Browser，适合处理容易触发验证、反自动化检测的页面。另一种是 Real Chrome Control，可以接管你本地正在使用的 Chrome，把登录态、cookies、扩展都带过去。

这也是它和普通无头浏览器不太一样的地方。很多任务卡住，压根进不去：没有登录态，session 在无头环境里不延续，或者站点识别出自动化环境后，返回的内容直接变了。

另外，它不会把整页 HTML 原样塞给模型。

真实网页里有导航、广告、脚本、隐藏节点、样式代码。模型直接读这些，容易被噪音干扰，也浪费上下文。BrowserAct 让浏览器层先完成等待、筛选、截图、请求捕获和结构化提取，再把更干净的结果交给 Agent。

第二个是 browser-act-skill-forge。

它可以把重复网页任务沉淀成可复用 Skill。你描述目标网站和任务，它先探索数据来源，优先找 API endpoint，不合适再回退到 DOM，验证通过后生成 SKILL.md 和脚本。

两者的区别：browser-act 用来跑通当下这个网页任务；browser-act-skill-forge 用来把这次调通的过程记下来，下次不用重头摸索。

快速上手

如果你是在 Claude Code、Cursor、OpenClaw 这类 Agent 环境里使用，最省事的方式是直接让 Agent 帮你安装。

比如可以这样说：

请帮我安装 BrowserAct Skill，并检查运行环境。
安装完成后，执行 browser-act get-skills core --skill-version 2.0.0

如果还想使用 Skill Forge，可以继续让 Agent 安装：

请继续安装 browser-act-skill-forge，并确认它可以正常读取 Skill 说明。

实际执行时，Agent 通常会完成这些步骤：

npx skills add browser-act/skills --skill browser-act
npx skills add browser-act/skills --skill browser-act-skill-forge
browser-act get-skills core --skill-version 2.0.0

BrowserAct 不只是一个命令行工具，它还涉及浏览器选择、登录态处理、安全确认和执行流程。

Agent 必须先读完整 Skill 指令，才知道哪些动作可以直接做，哪些动作必须停下来让用户确认。

仓库里也不只有这两个基础 Skill，还放了一批现成场景，比如 Amazon ASIN 查询、Amazon Best Selling Products、Google News、Google Maps、YouTube Transcript Extractor 等。

实战一：读取登录后的 GitHub Issue

第一个任务我直接让 BrowserAct 进入我已经登录的 GitHub 仓库，读取最近的 open issue。

提示词如下：

使用 browser-act 进入我已登录的 GitHub 仓库，读取最近 10 个 open issue，
按 bug / feature / question 分类，输出：
1. 标题
2. 关键上下文
3. 可能涉及的模块
4. 建议优先级
5. 是否需要我进一步确认

这个场景很贴近日常开源维护。

我平时会收到读者反馈、Issue、PR 和配置问题。很多 Issue 是文档改进、使用疑问、部署问题、错误提示不清楚、PR 关联讨论混在一起。

普通搜索工具处理不了这类任务。它没有我的登录态，也不知道我在仓库里能看到什么。

BrowserAct 解决的是这个断点：复用本地 Chrome 登录状态，让 Agent 读取我本来就有权限访问的页面。

实际执行时，它先列出本地 Chrome Profile，并说明接下来的操作：创建一个 Chrome 浏览器环境，导入我的 GitHub 登录态，然后打开 Snailclimb/interview-guide 的 Issues 页面。

确认后，它才继续执行，并导入本地 Chrome 的 cookies 和 localStorage。

随后它打开 Issue 页面，发现当前有 6 个 open issue，于是逐个进入详情页读取上下文。最后输出了一份分类报告：3 个 Feature、2 个 Bug、1 个 Question。

这个任务的麻烦点在它必须进入登录后的协作页面，还要读 Issue 详情里的上下文。

哪个 Issue 已经有 PR，需要优先 Review；哪个问题已经修复，可以直接关闭；哪些 Issue 都和自部署配置、错误提示不清晰有关，可以合并处理。这些信息只扫列表看不出来，得点进详情页看讨论。

以前也能做，只是要人自己点开每个 Issue，看完上下文，再手动归类。现在 Agent 可以先做第一轮整理，我再决定哪些要处理、哪些要追问、哪些要关闭。

边界也要说清楚：读取、整理、归类可以交给 Agent，关闭 Issue、合并 PR、删除数据、提交审批这类状态变更，必须让人确认。

实战二：Agent 改完页面后，直接做一轮冒烟验收

第二个场景更贴近 AI Coding。

现在很多人会用 Claude Code、Cursor、Codex 改前端页面。问题是，Agent 改完代码后，经常会告诉你"已完成"，但页面到底能不能跑通，还得人自己打开浏览器确认。

按钮能不能点？下拉框能不能选？默认值是否合理？错误提示是不是人话？提交后有没有真的生效？

这些问题光读代码不一定看得出来。

所以我让 BrowserAct 打开本地项目的预警中心页面，跑一遍新增预警流程：

打开 http://localhost:3000/alerts
新增一个价格预警：
股票代码：sh600585
股票名称：海螺水泥
条件：价格低于 19

记录页面中出现的问题，包括字段校验、枚举文案、按钮状态、错误提示和截图。

这个例子要验证的是：Agent 改完前端页面后，能不能自己打开本地页面，把关键流程点一遍。

BrowserAct 打开 http://localhost:3000/alerts 后，识别到这是 AgentInvest 的预警中心。随后它点击"新建预警"，输入股票代码 sh600585，把触发条件切换成"低于目标价"，再把目标价格填成 19。整个过程中，它保存了初始页面、空表单、填写完成后、提交后等多张截图。

这次跑的是一段完整操作序列：打开页面，找到新建按钮，填写表单，切换枚举值，提交，截图，最后清理掉测试数据。

它也发现了几个具体问题。

比如目标价格默认值是 0.01，对 A 股价格预警来说不太合适。更合理的方式是默认留空，让用户主动填写；或者在输入股票代码后，自动拉取当前价格作为参考。

再比如触发条件文案不够清楚。"高于目标价""低于目标价"容易理解，但"向上突破""向下跌破""成交量放大"缺少参照物。用户不知道是突破均线、前高，还是某个技术指标。这里应该在选择不同条件后，动态提示参数含义。

最后，BrowserAct 删除了刚才创建的测试预警，恢复了现场。

这类能力对 AI Coding 的价值：Agent 不再只停留在"代码看起来没问题"，而是能把页面打开、流程跑一遍、截图留证据。

它不能替代完整 E2E 测试，也不能保证覆盖所有异常分支。但承担一轮轻量冒烟验收是够用的。尤其是按钮状态、表单文案、错误提示、空状态、截图记录这些偏体验的问题，很多时候比单纯读代码更容易暴露出来。

实战三：用 Skill Forge 沉淀一个 GitHub 项目调研 Skill

前两个例子都是 browser-act 在直接执行网页操作。第三个例子要说的是另一个 Skill：browser-act-skill-forge。

它适合把反复出现的网页任务沉淀成可复用 Skill。

写 AI Agent、MCP、Skill 相关内容前，我经常要调研一批 GitHub 项目。

我会看 Star、Fork、最近更新时间、License、README 安装方式、有没有 examples，是否提到 Skill / MCP / CLI，最后再判断这个项目适不适合写进文章。

这个任务不难，但很烦。

如果只查一两个仓库，手动打开 GitHub 就行。但如果一次看 10 个、20 个项目，每次都让 Agent 重新打开仓库、重新找 README、重新判断字段，就会浪费很多时间，也容易漏信息。

这类任务适合用 Skill Forge。

先安装：

npx skills add browser-act/skills --skill browser-act-skill-forge

然后给它一个明确的 Forge 任务：

请使用 browser-act-skill-forge，帮我 Forge 一个 GitHub 项目调研 Skill。

Skill 名称：github-repo-research

输入：
一个 GitHub repo URL 列表，例如：
- https://github.com/browser-act/skills
- https://github.com/microsoft/playwright
- https://github.com/modelcontextprotocol/servers

输出字段：
1. 项目名称
2. GitHub URL
3. Star 数
4. Fork 数
5. 最近更新时间
6. License
7. README 里的安装方式
8. 是否有 examples / demos
9. 是否提到 Skill / MCP / CLI
10. 是否适合 Claude Code / Cursor / Codex 这类 Agent 使用
11. 适合写进文章的亮点
12. 不确定或需要人工确认的信息

要求：
- 优先探索稳定数据来源，能用 API 就不要硬扒页面
- README 没写的信息标记为"未确认"，不要猜
- 输出 Markdown 表格，同时保存 JSON
- 先用上面 3 个公开仓库跑通端到端测试，再生成可复用 Skill

这个例子跑出来以后，Skill Forge 没有强行走浏览器页面，而是选择了更稳定的 GitHub API。

GitHub 仓库数据本来就有结构化 API，走 API 比从 DOM 扒快多了，稳定性也更好。

Skill Forge 这次的选择说明它会先判断哪条路径更可靠，再决定怎么实现。

最后生成的是一个本地 Skill：

.agents/skills/github-repo-research/
├── SKILL.md
└── scripts/
    └── research-repos.py

后续再用时，就不需要重新 Forge 了，直接调用这个 Skill：

使用 github-repo-research Skill，调研下面这些仓库，并输出 Markdown + JSON：

- https://github.com/xxx/xxx
- https://github.com/yyy/yyy
- https://github.com/zzz/zzz

重点关注：
1. 是否适合写进 AI Agent 工具盘点文章
2. 是否有清晰安装方式
3. 是否能和 Claude Code / Cursor / Codex 组合使用
4. 哪些信息不确定，需要我人工确认

输出如下：

这里真正有用的不是那个 Python 脚本本身，而是它记录了怎么拿到数据的过程。下次换一批仓库，可以直接复用这个过程。

Skill Forge 并不是唯一能写 Skill 的方式。目标网站很熟、数据源也清楚的话，开发者自己写脚本再补一个 SKILL.md，效果一样。

它更适合不确定性高的任务：数据源在哪不清楚，先得探一遍；探完了写脚本，脚本跑起来还得验证一次。这个过程手动做一遍挺费时间，Skill Forge 能把第一次摸索过程压缩掉一部分。

所以，Skill Forge 省的是第一次摸索的时间：第一次找到数据源，第一次调通请求，第一次跑通脚本。这个过程做完之后存下来，下次换一批 URL 直接跑。

API Key 适合放在哪些任务里

这几个实战都没用到 API Key，本地 browser-act 就能跑起来，不需要额外账号。

临时网页任务直接用本地 browser-act；需要登录态的任务，用 Real Chrome 复用本地会话；任务稳定后，再用 Skill Forge 沉淀成可复用 Skill。

API Key 主要用在更重的场景：批量网页抽取、跨页面搜索、长期监控，或者页面频繁触发验证码、Cloudflare、DataDome、reCAPTCHA 等反爬机制时。

你可以在 BrowserAct 官网创建 Key，完全免费：

browseract.ai/guide

写在最后

这几天用下来，BrowserAct Skill 做的事情可以概括成一句话：把浏览器操作变成 Agent 可以调用的一层工具。自动打开页面、填写表单、复用登录态、捕获请求、截图记录，最后把结果交给上层处理。

接入日常开发和工作流之后，真的能够省事不少。

而且，它并不是直接让 Agent 在网页里乱点，像创建浏览器、导入本地 Chrome 登录态、提交表单、删除数据等敏感操作，会先停下来让你确认，确保出现问题。

这点其实还蛮重要的：Agent 可以帮你操作网页，但要不要把动作真正执行下去，还是得人来拍板。

GitHub 地址 ：github.com/browser-act...

官网 ：browseract.ai/guide