如何让 AI Agent 更好地操作浏览器，一直是一个没有完美解答的课题。最近 GitHub 上出现了一个叫 BrowserAct 的项目，专注于让 AI Agent 操作真实浏览器，突破反爬虫检测。

很多人第一反应是：这不就是 Codex 的 Chrome 扩展做的事情吗？截图、点击、填表、跳转、读 DOM——给 AI 安了一双会操作浏览器的手。但深入对比后发现，Chrome 扩展和 BrowserAct 根本不是同一层的东西。

通用工具 vs 专业方案

Chrome 扩展是个通用浏览器控制工具——能看到当前页面、点元素、填表单、跳转导航、执行任意浏览器操作。能力是通用的，但问题也出在"都能干"这三个字上：因为它什么都能干，所以它什么坑都不防。

几个典型场景：

• 爬 Amazon 畅销榜？Cloudflare 五分钟就把你拦了
• 登录后 session 半路失效？它就傻在那
• 页面 DOM 直接喂给 LLM？90% 是垃圾 HTML，token 烧得飞起还不一定出活
• 需要同时跑十个账号？没有并发支持，每个账号还得保持不同的登录态和网络出口

通用工具有手，但没经验。BrowserAct 针对真实生产环境里最要命的几个麻烦——反爬检测、会话中断、Token 噪声、多账号串线——分别写了专门的防御性处理逻辑。

打个比方：Chrome 扩展 = 会开车的司机，什么路都能开；BrowserAct = 熟悉每条路的导航 + 专门的货运许可证，知道哪个路口有摄像头、哪段路常年修路、到了关卡拿什么证件能过。

实际案例测试

案例一：批量抓取小红书笔记

安装过程很简单——不需要配环境、不用折腾依赖，直接在对话框里输入它的 GitHub 地址：github.com/browser-act/skills/tree/main/browser-act，然后说一句"我想安装这个 skill"，前后不到一分钟。

小红书是有门槛的——人机验证这一块一直比较棘手，对自动化工具的检测很敏感。但正因为有门槛，才更能测出它的真实水平。

输入关键词"AI Agent"、"浏览器自动化"、"AI 自动化"，让它直接去小红书搜索并抓取数据。它直接调用了本地的 Chrome 浏览器，复用原有登录状态的前提下直接操作浏览器。整个过程中，它操作的就是自己的浏览器，不是专门为自动化另开的。

最终成功抓到了 84 条数据，包含了公开笔记的标题、互动数据、作者信息和发布时间。

更惊喜的是，它不只是把数据扔出来就不管了。它根据抓取到的 84 条数据，自动生成了一份分析报告，对内容角度、互动趋势做了归纳和总结。这种"抓数据 + 出报告"的闭环，确实省了不少时间。

案例二：多平台文章同步分发

第二个案例测试的是：把一篇公众号文章抓取下来，然后分发到小红书、知乎和抖音三个平台。

它先从公众号路径抓取文章内容。在这个过程中，它也检测到了平台的验证机制，但成功完成了验证。拿到了文章全文（包括图片），把文字内容全部提取下来，把图片打包下载。

接着，它分别进入了小红书、知乎和抖音三个平台的创作后台，把文章内容按照每个平台的风格改写之后，填入标题、正文、标签和简介，连图片也一并上传到了各个平台。最终，三篇文章全部保存到了对应平台的草稿箱里。

这一轮考的不是一次性的抓取，而是执行层的完整操作流——在真实网页里像人一样走完多步骤操作。从抓取到改写，从登录后台到填入内容再到上传图片，每一步都踩在真实的生产环境里。

有三层能力在背后支撑：

• 环境层：stealth 浏览器把自动化痕迹隐藏起来，指纹伪装让它看起来像一台正常设备
• 执行层：在真实浏览器里完成搜索、滚动、提取、整理、总结的完整流程
• 人机接力层：检测到验证码之后不硬闯，而是让人接管一次，完成后再继续执行

案例三：多账号多 IP 登录

第三个案例测试的是多账号隔离。BrowserAct 给出了两个配置隐私浏览器的方案：使用现有的静态 IP 地址配置到现有的浏览器上，或者购买一个新的静态地址。

配置完成后，有了两个独立的隐私浏览器，各自配置了不同的静态 IP 地址。这样一来，可以在同一个网站上同时登录两个不同的账号，各自独立操作。浏览器负责身份，Session 负责具体任务，谁也不会串到谁那边去。

对于经常需要做多账号运营的人来说，这个能力挺实际的——不用在一个浏览器里反复切换账号，不用担心登错号发错内容。每个账号都是独立的浏览器身份、独立的 Cookie、独立的登录态、独立的网络出口。

静态代理在今天不算什么新奇功能，很多工具都有。但在 BrowserAct 的设计里，它不是被当成一个单独卖点来吹的，而是"长期账号稳定身份"这个体系的一环。你的每个账号以稳定、统一的身份持续访问网站，风控系统看你就跟看一个正常用户一样。

Skill Forge：能力持续积累

除了上面的能力，还有一个值得单独说的功能：Skill Forge。安装之后，你只需要用自然语言描述你的需求，比如"我需要一个能每天自动抓取小红书指定关键词数据并生成报告的 skill"。

Skill Forge 会自行进行方案探测，研究目标网站的页面结构和交互逻辑，然后输出一套执行方案，接着自己跑通测试，验证可行之后，最终输出一个可以直接调用的 Skill。

这跟"把跑过的流程录制成脚本"不太一样。它不是录制回放，而是让一个专门的 skill 去帮你研究和生成新的 skill。你只需要描述目标，方案探测、测试验证这些脏活累活它自己干了。这就从"每次都是一次性折腾"变成了"能力持续积累"。

多 Session 并发也同样支持——不同的任务放在不同的 Session 里同时跑，互不干扰。

能力边界

BrowserAct 能做到的是：

• 真实浏览器控制
• 反检测浏览器环境
• 静态代理支撑长期身份稳定
• 遇到验证码时人机接力
• 多任务并发不串线
• 多账号独立身份隔离
• 跑通的流程沉淀成可复用 Skill

但它做不到的是：

• 保证百分百过验证码
• 保证账号永远不会被封
• 自动绕过所有平台风控
• 所有流程完全不需要人看
• 买一个代理就能一劳永逸解决多账号运营

苏米观察

Chrome 扩展把 AI 能不能点网页这件事解决了。但它解决不了 AI 能不能稳定地进入真实网站、把活干完、中间不翻车这件事。这两个问题听起来像是一件事，实际上是两层。

通用工具给 AI 安了一双手，BrowserAct 给这双手配上了经验、地图、应急方案和多线作战能力。用大白话说，你考了驾照、会踩油门打方向盘，跟你真能在晚高峰、下大雨、到处修路绕道的城市里把一车货准时送到，是两码事。

能开不算本事，能送到，才算。

GitHub 仓库：github.com/browser-act