Hermes Agent 云浏览器自动化：不装浏览器，3步让 AI 替你逛网页

Hermes Agent 云浏览器自动化不装浏览器3步让 AI 替你逛网页【免费下载链接】hermes-agentThe agent that grows with you项目地址: https://gitcode.com/GitHub_Trending/he/hermes-agent想让 AI 帮你盯着竞品网站的价格变动、自动填一份注册表单第一反应往往是我得先在本机装个 Playwright、维护一堆 headless 配置。Hermes Agent 把这条路砍掉了它的浏览器自动化工具把会话直接跑在 Browserbase 云上你只需要配两个环境变量剩下的导航、点击、提取都交给 agent 完成。一句话定位浏览器跑在云端AI 靠文字看懂页面Hermes Agent 是一个能随你成长的 AI 代理其中 browser_tool.py 这组浏览器工具底层调用 agent-browser CLI会话托管在 Browserbase 云环境里——你的机器上不需要安装任何浏览器。更关键的设计是它不截图、不喂图片而是用可访问性树ariaSnapshot把页面转成带引用编号的纯文本e1、e2这样的编号就是后续点击和输入的定位锚点。这意味着普通 LLM 无需视觉能力也能精确操作网页。能力速览三个设计让它区别于截图点鼠标的方案市面多数浏览器自动化要么依赖视觉模型猜元素位置要么要求你手写 CSS 选择器。Hermes Agent 的路线是文本优先文本快照代替截图browser_snapshot返回页面里所有可交互元素的紧凑视图token 消耗远低于图片普通对话模型就能理解。任务级会话隔离每个 task_id 对应独立云会话多个自动化任务并行互不串号任务结束后会话自动清理。隐身与代理默认开启随机指纹、代理路由直接内置应对基础反爬和验证码挑战不需要你额外接打码平台。动手跑通从 clone 到第一次点击的 30 分钟整个过程只有三步。先把仓库拉下来装好 CLIgit clone https://gitcode.com/GitHub_Trending/he/hermes-agent cd hermes-agent npm install -g agent-browser接着去 Browserbase 控制台拿到 API 密钥和项目 ID写入环境。然后打开对话给 agent 派个任务比如打开 example.com告诉我页面标题点击首页第一个链接。工具层的调用序列大致长这样from tools.browser_tool import browser_navigate, browser_snapshot, browser_click browser_navigate(https://example.com, task_idtask_123) # 必须先导航 snap browser_snapshot(task_idtask_123) # 拿到 e1、e2 编号 browser_click(e5, task_idtask_123) # 按编号点击导航是入口必须最先调用快照决定你看到什么点击、输入、滚动全部围绕快照里的引用编号展开。第一次跑通后你会发现整个流程里没有任何一步需要碰浏览器本体。进阶一招遇到验证码切到 browser_vision文本快照有个天然盲区图片里的内容——CAPTCHA、图表、视觉验证墙。这时用browser_vision(这个验证码写的是什么字, task_idtask_123)它会对当前页面截图并交给视觉模型分析。日常任务不用开它省 token只在文本路线走不通时当第二双眼睛。避坑 调优快照太长被截断默认返回的是紧凑视图超过 8000 字符会自动截断或走 LLM 摘要。如果你发现元素编号对不上用fullTrue拿完整内容或者让 agent 先滚动到目标区域再快照。task_id 别乱换同一个任务里所有调用要传同一个 task_id换了就等于换了浏览器会话之前的页面状态全丢。会话 5 分钟闲置即回收不活跃的会话默认 300 秒后自动清理跑长任务时可以通过BROWSER_INACTIVITY_TIMEOUT环境变量把窗口拉长。想深入看工具参数和云 provider 的接入方式翻一下仓库里的 browser_tool.py 与agent/browser_registry.py或者跑一遍项目自带的示例任务。【免费下载链接】hermes-agentThe agent that grows with you项目地址: https://gitcode.com/GitHub_Trending/he/hermes-agent创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考