agent-browser

Was ist agent-browser?

agent-browser ist ein Browser-Automatisierungs-Kommandozeilentool, das speziell für KI-Agenten und die Coding-Assistenten entwickelt wurde, in denen sie laufen — einschließlich Claude Code, Cursor, GitHub Copilot, OpenAI Codex und Google Gemini. Es gibt einen kompakten Accessibility-Tree anstatt rohem HTML oder JSON aus, wodurch der Token-Verbrauch drastisch reduziert wird, während Agenten durch ein referenz-basiertes Elementauswahlsystem deterministische Kontrolle über Webseiten erhalten. Das Tool basiert auf einer Client-Daemon-Architektur: Eine native Rust-CLI verarbeitet Befehlsparsing mit nahezu sofortiger Geschwindigkeit, während ein persistenter Node.js-Daemon die zugrunde liegende Playwright-Browser-Instanz verwaltet. Mit über 50 Befehlen, die Navigation, Formularinteraktion, Screenshots, Netzwerkinspektion und Speicher abdecken, bietet agent-browser vollzyklische Browser-Kontrolle optimiert für automatisierte Agent-Workflows auf macOS, Linux und Windows.

Hauptfunktionen

• Referenz-basierte Elementauswahl

  Der Snapshot-Befehl gibt einen kompakten Accessibility-Tree zurück, bei dem jedes Element eine eindeutige Referenz trägt (z.B. @e1), was deterministische, abfragefreie Interaktion ohne Mehrdeutigkeit ermöglicht.

• Token-effiziente Ausgabe

  Die textbasierte Accessibility-Tree-Ausgabe verwendet etwa 200-400 Token pro Snapshot, verglichen mit 3.000-5.000 Token für vollständige DOM-Ausgabe, wodurch Agent-Kontextfenster schlank bleiben.

• Native Rust CLI-Performance

  Befehlsparsing wird von einer nativen Rust-Binary verarbeitet, die sofort startet, während ein persistenter Node.js-Daemon die Playwright-Browser-Instanz im Hintergrund verwaltet.

• 50+ Browser-Befehle

  Umfassender Befehlssatz, der Seitennavigation, Formularausfüllung, Klicks, Screenshots, Netzwerküberwachung und Speicherverwaltung für End-to-End-Browser-Kontrolle abdeckt.

• Multi-Session-Unterstützung

  Führen Sie mehrere isolierte Browser-Instanzen gleichzeitig aus, jede mit unabhängigem Authentifizierungsstatus, was parallele Agent-Aufgaben oder Multi-Account-Workflows ermöglicht.

• Plattformübergreifende Kompatibilität

  Native Binaries verfügbar für macOS (ARM64 und x64), Linux (ARM64 und x64) und Windows (x64), mit npm-Fallback für breite Umgebungsabdeckung.

Anwendungsfälle

• KI-Coding-Assistenten : Agenten in Claude Code, Cursor oder GitHub Copilot können Dokumentation durchsuchen, Web-UIs testen und Formulare ausfüllen als Teil automatisierter Coding- und Debugging-Workflows.
• Web-Scraping und Datenextraktion : KI-Agenten können Seiten navigieren, Snapshots erfassen und strukturierte Informationen von Websites mit minimalem Token-Overhead pro Operation extrahieren.
• Automatisierte UI-Tests : QA-Agenten können vollständige Browser-Interaktionssequenzen skripten — Klicks, Formularübermittlungen, Screenshot-Vergleiche — unter Verwendung deterministischer Referenzen anstatt fragiler CSS-Selektoren.
• Mehrstufige Web-Automatisierung : Komplexe Workflows wie Anmeldung bei Diensten, Ausfüllen mehrseitiger Formulare oder Überwachung von Netzwerkanfragen können durch Shell-Befehlssequenzen orchestriert werden, die jeder Agent ausgeben kann.

Häufig gestellte Fragen