Browser4 智能浏览器自动化
面向自动化交互、网页抓取与结构化提取的可扩展浏览器工具。
按维度查看评分与理由
证据显示：CLI 提供 `--session` 隔离会话、`--proxy` 代理配置、`--timeout` 超时控制，以及 `delete-data`、`uninstall` 等命令，表明有一定的最小权限意识。但未发现明确的权限声明或沙箱机制，且安装脚本通过远程执行（`irm ... | iex`、`curl ... | bash`）存在风险。用户确认方面，`--auto-dismiss-dialogs` 和 `--follow` 等选项可能自动执行操作，但未提供全局确认机制。数据流透明度：文档描述了命令的数据流向，但未说明数据如何被收集、存储或共享。敏感数据处理：支持 cookie/localStorage 操作，但未说明加密或保护措施。依赖安全：CI 使用固定版本 actions，但未提供依赖漏洞扫描证据。外部影响：浏览器自动化可能对网站产生副作用，但未提供速率限制或伦理指南。回滚：提供 `state-save/load` 和 `uninstall`，但未提供操作级回滚。来源归属：Apache-2.0 许可证和版权声明存在，但发布者未验证。
证据显示：README 和 CI 配置一致，命令参考详尽，表明内部一致性良好。但依赖可用性：需要 Node.js、JDK、Chrome 等外部依赖，未提供版本锁定或镜像。失败消息：文档未提供错误处理或诊断信息，仅 `doctor` 命令提供部分诊断。
证据显示：面向 AI 代理和人类用户，提供了多种场景（交互、提取、规模化）的指南，受众明确。能力边界：文档列出了命令和限制，但未明确说明不支持的功能。触发精度：命令参数详细，但未提供错误处理或边界情况。环境适配：支持 Windows/Linux/macOS，但未提供 Docker 或云部署指南。
证据显示：README 结构清晰，包含目录、快速开始、命令参考等，信息架构良好。安装说明详细，提供多种方式。命名稳定性：命令名称一致，但未提供版本历史。示例和 FAQ：提供了大量示例，但未提供 FAQ。已知限制：未明确列出。许可证：Apache-2.0 完整。版本和变更日志：未提供 CHANGELOG。维护责任：未提供贡献指南或维护者信息。
证据显示：输出可用性：支持 JSON、文件输出等，格式多样。边际价值：提供 ML 提取、X-SQL 等独特功能，但依赖 LLM 密钥。成本效益：免费开源，但需要基础设施和 LLM 成本，未提供成本分析。
证据显示：README 中的性能声明（100k-200k 页面/天）未提供基准测试证据。跨来源验证：未提供第三方验证。事实与推断分离：文档未区分事实和推断。
- 安装脚本通过远程执行（`irm ... | iex`、`curl ... | bash`）存在供应链风险，建议审查脚本内容。
- 未提供明确的权限声明或沙箱机制，浏览器自动化可能对目标网站产生副作用。
- 依赖外部服务（LLM 提供商）和基础设施，需注意密钥管理和成本。
- 性能声明（100k-200k 页面/天）缺乏基准测试证据。
这个 Agent 能做什么，适合哪些场景？
Browser4 是一个以 browser4-cli 为入口的浏览器自动化与网页数据处理项目。其架构由 Rust CLI、Kotlin/Spring 的 browser4-rest 服务、基于 Chrome DevTools Protocol 的浏览器驱动，以及 browser4-agentic 工具层组成，并通过 HTTP 上的 MCP 通信。它既能以元素引用驱动真实页面交互，也能保存 HTML 快照并用 CSS 选择器或 X-SQL 进行结构化提取。项目还提供 crawl、swarm、loop、batch 等批量与并行执行能力，以及截图、PDF、HTML 导出和浏览器状态保存等输出或持久化操作。可通过 npm 安装 CLI，也可从源码构建包含统一启动器的 Browser4.jar。
先用 browser4-cli open 或 goto 建立或恢复浏览器会话；snapshot 输出可交互元素及 e15 一类引用，随后可调用 click、fill、type、press、select、wait 等命令操作页面。对于提取任务，htmlsnapshot capture 保存页面 DOM，htmlsnapshot get、htmlsnapshot inspect 与 htmlsnapshot query --sql @query.sql 从快照读取文本、属性或关联列表数据；extract 和 summarize 则需要配置 LLM Provider Key。crawl 可从 URL 或种子文件抓取，swarm create 后可并行提交或查询任务，任务通过 status 和 result 获取结果。它还能输出截图、PDF、导出的 HTML，保存 cookies 与 localStorage，并提供 MCP 工具调用到后端服务的执行路径。
- 需要在网站登录后填写表单、点击筛选项并验证页面变化的 QA 或运营人员，可用 snapshot 的元素引用配合 click、fill 和 wait 完成流程。
- 需要从商品搜索页提取每条结果的标题、价格和链接的数据团队，可先保存 htmlsnapshot，再以 X-SQL 查询关联字段。
- 拥有 URL 列表、希望并行加载页面并执行同一提取查询的采集工程师，可创建 swarm 并使用 --seed-file 和 --sql 提交作业。
- 需要从起始页按链接规则抓取多层页面的研究人员，可用 crawl、--depth 和 --out-link-selector 配置采集范围。
- 需要定期检查网页内容或接口健康状态的运维人员，可用 loop 按间隔重复运行浏览器任务或 shell 命令。
这个 Agent 有哪些优点和局限？
- 将基于可访问性树的交互引用与基于静态 DOM 的 HTML 快照/X-SQL 提取分开，适合在动态操作后进行重复数据采集。
- Rust CLI、Kotlin/Spring 后端和 CDP 浏览器驱动具备明确边界，并通过 HTTP MCP 连接，便于在本地自动化流程中部署。
- 提供 crawl、swarm、batch、loop 和具名会话，覆盖单页交互、批量抓取、并行任务与周期运行。
- 可管理 cookies、localStorage、sessionStorage 和页面状态，并可生成 HTML、截图及 PDF 等产物。
- AI 驱动的 extract、summarize、chat、agent run 与部分 X-SQL LLM 函数依赖外部 LLM 提供商密钥。
- 源码构建存在多项运行时要求：JDK、Chrome/Chromium、PowerShell 7（Linux/macOS 构建说明中列出）以及构建 CLI 所需的 Rust。
- CLI 会保存会话状态、cookies 和 localStorage；采用已登录会话前需要自行评估凭据与本地状态的管理方式。
- README 虽列出多种浏览器与采集命令，但未说明网站反爬、验证码或访问授权失败时的通用处理保证。
如何安装或部署这个 Agent？
安装全局 CLI 需要 Node.js：
npm install -g browser4-cli
browser4-cli install首次验证可运行：
browser4-cli open --headed https://browser4.io
browser4-cli snapshot --boxesextract、summarize、chat 和 agent run 等 AI 命令需要设置已支持提供商的密钥；例如 OpenAI 兼容配置使用 OPENAI_API_KEY、OPENAI_MODEL_NAME 与 OPENAI_BASE_URL。源码构建需要 Git、JDK 17+（推荐 21+）、Chrome 或 Chromium；构建 CLI 还需 Rust 工具链。
如何使用这个 Agent？
交互式流程示例：
browser4-cli goto https://example.com/login
browser4-cli snapshot -i --boxes
browser4-cli fill e3 "[email protected]"
browser4-cli fill e4 "secret" --submit
browser4-cli wait --load networkidle结构化提取时先执行 browser4-cli htmlsnapshot，再用 browser4-cli htmlsnapshot query --sql @query.sql。批量 URL 可使用 browser4-cli crawl --seed-file urls.txt --depth 0 --sql @query.sql；并行处理则先执行 browser4-cli swarm create，再执行 swarm query。
这个 Agent 与同类方案有什么区别？
项目将 WebMiner 定位为互补方案：Browser4 可获取单页或批量 HTML，而 WebMiner 面向已下载 HTML 的本地聚类、交互报告和 Excel 生成；前者覆盖浏览器交互与采集，后者强调无 LLM token 的 HTML 批处理。