写自动化脚本，最烦的不是逻辑，是选择器。上个月还能跑的 #submit-btn，这月前端改版就变成 #submit-2f8a；Selenium 老老实实写了两个月的 XPath，一夜之间全成废纸。AI Agent 火起来之后，很多人第一反应是”让模型截图自己看”，结果更贵、更慢、更不稳。
浏览器里到底缺一个什么东西？我在 ai.godsun.pro 上写过 browser-use 那期，今天要说的是另一个思路完全不同的选手：Stagehand，Browserbase 做的 AI 浏览器 Agent SDK，目前 25.5K 星，MIT 协议，最后一次提交就在今天（10 月 2 日）。
它到底解决什么
先说清定位。Playwright 和 Selenium 是为测试设计的——脚本是死的，页面是活的，所以选择器一改就崩。OpenAI Operator 那类全自动 Agent 是反过来——把控制权全交给黑盒模型，但你就没法预测它下一步干嘛，出错了也不知道是哪一步错的。
Stagehand 卡在中间，卖点就一句话：脚本给精度，Agent 给灵活。
它把浏览器操作拆成四个原语，都是一句自然语言：
| 原语 | 干的事 | 长什么样 |
|---|---|---|
act() |
执行一个动作 | act("点击加入购物车") |
observe() |
先看看页面上有什么 | observe("找邮箱输入框") |
extract() |
按 schema 抽结构化数据 | extract("提取表格里的发票", Invoices) |
agent() |
多步骤自主流程 | agent.execute("投这个简历") |
关键细节是 observe() 会返回真实的选择器，然后你可以把 Action 对象直接喂回 act() 重放——这一步零推理、零 token、不花钱。官方的例子里，用户名密码就是靠这个绕开模型的：让模型只负责”找到那个框”，密码本身从环境变量读，直接 fill() 进去，从来不经过大模型。
再就是 selfHeal。脚本跑通过之后，网站改版了、选择器失效了，打开 selfHeal，act() 会自动重新推理一遍这个动作该怎么做。这就是它比纯 Playwright 多出来的那条命。
上手有多快
三行装完（本地跑需要自己装 Chrome）：
pip install stagehand # Python
pnpm add @browserbasehq/stagehand 'zod@~4.4.3' # TypeScript
go get github.com/browserbase/stagehand/packages/sdk-go/[email protected] # Go
Python 抓一张发票表的完整代码，贴在这儿：
import asyncio, os
from pydantic import BaseModel
from stagehand import Stagehand, local_browser
class Invoice(BaseModel):
number: str
amount: float
paid: bool
class Invoices(BaseModel):
invoices: list[Invoice]
async def main():
# cookie 存在 ./browser-data，下次跑已经是登录态
browser = await local_browser.launch(user_data_dir="./browser-data")
stagehand = await Stagehand.create(
browser=browser,
model="openai/gpt-5.4-mini",
model_api_key=os.environ["OPENAI_API_KEY"],
)
page = (await browser.context.pages())[0]
await page.goto("https://app.example.com/billing")
result = await stagehand.extract("提取表格里的每一张发票", Invoices)
print(result.data.invoices)
asyncio.run(main())
注意 model="openai/gpt-5.4-mini" 这种写法——Stagehand 现在用的是 LiteLLM 风格的 provider/model 字符串，换模型就是换个字符串，不是改代码结构。本地模型同理，Ollama 拉起来的 Qwen 也能接。
想接自己那套 Agent 框架也有现成集成：CrewAI、Mastra、Deep Agents、Vercel AI SDK、Claude Code、Codex 都列在官方集成文档里。再懒一点，Browserbase 官方托管了一个 MCP server，一行配置就能给任意 MCP 客户端装上 navigate / act / observe / extract，连本地浏览器都不用装。
花钱的地方得说清楚
Stagehand 本体 MIT 开源，代码随便看随便改。但它背后的 Browserbase 是云服务——Stagehand 跑在 Browserbase 上官方说比等价的 Playwright 云浏览器快 2 倍，还能开 cache: true 让重复动作直接从服务器缓存返回、不花 token。代价是你把浏览器托管出去了。
商业上，Browserbase 是 2024 年 Paul Klein IV 一个人在旧金山开的公司，B 轮 4000 万美元、投后估值 3 亿，领投 Notable Capital，跟投 CRV 和 Kleiner Perkins，加上前面的钱一共融了 6750 万美元。同一轮还发了 Director——一个给不会写代码的人用自然语言拼浏览器工作流的无代码工具。用它家的客户包括 Perplexity、Vercel、Stripe、Shopify、Uber。
Stagehand 主仓已经进 v4，npm 上 latest 是 4.1.0，Python 那边同步 4.1.0（要求 Python ≥ 3.11），v3-latest 停在 3.7.3 还在慢慢修补丁。作者贡献者名单里 Paul Klein 自己排第一个。25K 星里很大一部分是被 Claude Code 和 Codex 用户带进来的——你让编码 Agent 去装浏览器，它大概率推荐这个。
几句话实话
第一，Stagehand 不是让你省钱的，是让你少返工的。 每个 act() 调一次模型就是一次推理，多步骤任务跑几十次，token 消耗比纯 Playwright 高一个量级是正常的。但配上 cache: true 和 observe() 预热，把常见路径缓存下来之后，第二次以后的成本能压到很低。真正的价值在”网站改版了不用重写”。
第二，v4 变化挺大，别照着老博客抄。 主仓 README 已经是 v4 的写法（localBrowser.launch、zod/v4、@browserbasehq/stagehand 新包名），v3-latest 标签还在 3.7.3 挂着。GitHub 上和 CSDN 上大量 Stagehand 教程还停在 @browserbase/stagehand + v3 的 API，照抄会报一堆错。
第三，act() 别写多步骤指令。 官方文档专门用红绿对比写死了这一条：多步骤指令不可靠，act() 在 v4 里也不再递归循环了，要么拆成一串单步 act()，要么上 agent()。这是新手最容易踩的坑。
第四，本地 Chrome 是硬依赖。 pip install 完事不代表能跑，你得自己装 Chrome，Windows 另有一套装法。CI 环境里还得处理浏览器沙箱那些老问题。
第五，别指望它爬反爬。 这是给”操作你自己有权操作的网站”设计的。真碰上要绕验证码、指纹检测的活儿，那是 Steel、Browserbase 住宅代理那一档的生意，价格另算。
顺带一句，前面提到的 agent-browser 那种命令行浏览器工具，和 Stagehand 是两类东西：前者管的是Agent 怎么在终端里动鼠标，后者管的是自动化脚本怎么在生产环境活下来。工具链上经常两个都要。
by 数码罗记 · godsun.pro
如果你也在折腾 Agent，站内还有 n8n 自动化平台 和 Skyvern 浏览器自动化 这两期，方向不同可以对着看。
