这两天我在整理 Claude Code 系列文章时，顺手把 agent-browser 也装到本机测试了一遍。它不是那种给普通用户点点点的浏览器插件，而是更适合 AI Agent 调用的浏览器自动化 CLI：打开页面、读取页面快照、点击、填写、截图、拿 CDP 地址，都可以通过命令行完成。
我自己的判断是：它不会替代 Hermes 自带的 browser 工具，但很适合补上一个空位——当 Claude、OpenCode 这类子代理需要独立操作网页时，它们可以直接跑 agent-browser 命令，不需要主控 Agent 把所有浏览器动作都接过来。
agent-browser 是什么？
简单说，agent-browser 是 Vercel Labs 做的一个浏览器自动化 CLI，官方定位就是 Browser Automation CLI for AI Agents。它用 Chromium/Chrome 和 CDP 做底层控制，提供一套命令行接口，让 Agent 可以用很低成本完成网页交互。
它最适合 AI 的地方是 snapshot 工作流。传统自动化经常要读一大段 HTML，再猜按钮在哪；agent-browser 可以直接输出可交互元素和引用编号，例如 @e1、@e2。Agent 看到快照后，再用 click @e2 或 fill @e3 "文本" 就能继续操作。
我这台机器是 Linux ARM64 环境，已经有 Node 和 Chromium。安装后实测版本是 agent-browser 0.27.0，agent-browser doctor 检查结果为 10 pass, 0 warn, 0 fail。也就是说，在这个环境里它不是“理论可用”，而是已经实际跑通。
我这里的安装和配置过程
如果是 npm 方式安装，最直接就是：
npm install -g [email protected]
agent-browser --version
agent-browser doctor不过我这台机器有一个小坑：npm 全局二进制目录在 /root/.hermes/node/bin，不在默认 PATH 里。所以安装后第一次执行 agent-browser 会提示找不到命令。解决办法很简单，把它软链接到系统 PATH：
ln -sf /root/.hermes/node/bin/agent-browser /usr/local/bin/agent-browser然后再检查：
agent-browser --version
agent-browser doctor这一步很关键。不要只看 npm 是否安装成功，一定要跑 doctor。它会检查 CLI、状态目录、Chromium、配置文件、网络和启动测试。我的结果里 Chromium 路径是：
/usr/bin/chromium另外还有一个后台运行环境常见问题：Telegram / gateway 这种会话没有桌面环境，没有 $DISPLAY。如果配置成 headed: true，Chromium 会报：
Missing X server or $DISPLAY所以我把默认配置改成了 headless 模式，更适合后台 Agent 调用：
{
"headed": false,
"executablePath": "/usr/bin/chromium",
"profile": "/root/.agent-browser/hermes-profile",
"viewport": "1280x720",
"args": "--no-sandbox --disable-setuid-sandbox --disable-gpu"
}基础用法：打开、快照、点击、截图
agent-browser 的入门命令很直观。比如打开一个页面：
agent-browser open https://example.com读取交互元素快照：
agent-browser snapshot -i -u我这里实测返回类似这样：
- heading "Example Domain" [level=1, ref=e1]
- link "Learn more" [ref=e2, url=https://iana.org/domains/example]如果要点击这个链接，就可以继续：
agent-browser click @e2如果要截图：
agent-browser screenshot /tmp/page.png如果要拿当前浏览器的 CDP 地址：
agent-browser get cdp-url这套流程对于 AI Agent 很友好，因为每一步输出都比较短，不会像完整 HTML 那样塞满上下文。尤其是在多 Agent 写稿、前台页面检查、表单填写、网页 QA 这些任务里，用 CLI 快照比让模型猜页面结构靠谱得多。
它和 Hermes 自带 browser 工具怎么分工？
我不会把 agent-browser 当成 Hermes browser 的替代品。Hermes 自带的 browser 工具在当前对话里更方便：可以直接导航、截图、读 accessibility tree、执行 JS、做视觉分析，和主控 Agent 的上下文结合更紧。
但 agent-browser 的优势在另一个方向：它是 CLI。Claude Code、OpenCode、甚至普通 shell 脚本都能直接调用它。比如我把一个“检查新文章前台是否正常”的任务丢给子代理，它可以自己执行：
agent-browser open https://ai.godsun.pro/xxx.html
agent-browser snapshot -i -u
agent-browser screenshot /tmp/check.png这样主控 Hermes 不需要亲自完成所有网页动作，只要最后验证结果即可。这对多 Agent 工作流很有价值。
适合用在哪些场景？
我目前觉得它比较适合这几类任务：
- 文章发布后的前台检查：打开页面、确认标题、图片、链接和正文是否出现。
- 网页表单自动化：通过 snapshot 找输入框，再 fill / click。
- 多 Agent 并行测试网页：每个子代理都能用 CLI 操作自己的浏览器会话。
- 截图取证：把页面状态保存成图片，方便后续审稿或排错。
- CDP 桥接：需要时拿到 websocket 地址，接给其他自动化工具。
但它也不是万能的。像 Google 登录、Gemini 这类风控很强的页面，我还是更倾向于用 VNC 里的正常浏览器手动登录。后台 headless 自动化不是所有网站都喜欢，尤其是账号登录和安全验证场景，不要硬刚。
安装时我建议注意这几件事
第一，先确认 Chromium 是否存在。没有浏览器，CLI 再好也跑不起来。
command -v chromium || command -v google-chrome第二，确认 PATH。很多 ARM64 / 自托管环境里，npm 全局目录不在默认 PATH。我的机器就是这个情况。
第三，后台 Agent 环境默认建议 headless。如果你是 VNC 桌面里操作，才考虑 headed 模式。两种配置不要混着来，不然很容易遇到 Missing X server 这种错误。
第四，截图、快照、CDP 都要做一次真实测试。不要只跑 --version 就以为安装完成。
总结：值得装，但要摆正位置
agent-browser 对普通用户来说可能不是必装工具，但对我这种长期用 Hermes、Claude Code、OpenCode 搭多 Agent 工作流的人来说，它很值得保留。
它的价值不是“比谁更强”，而是让浏览器自动化变成一个普通命令行能力。主控 Agent 可以继续用 Hermes browser 做精细操作；子代理和脚本则可以用 agent-browser 做页面检查、截图、表单操作和 CDP 桥接。
如果你也在折腾 AI Agent 工作流，我建议可以装一个，至少把 open、snapshot、click、fill、screenshot 这几个命令跑通。真正用起来之后，你会发现它不是玩具，而是一块很实用的“浏览器接口积木”。
下期预告：后面我准备继续写一篇更实战的：怎么让 Claude Code / OpenCode 调用 agent-browser，自动检查 WordPress 文章页面和配图是否正常。
觉得这类 Agent 工具链实测有用，可以先收藏一下。后面我会继续把自己这套 Hermes + Claude Code + OpenCode + WordPress 的折腾过程慢慢整理出来。
