关注 霍格沃兹软件测试开发 公众号回复「资料」, 领取人工智能测试开发技术合集前两天让我的AI助手去某电商后台导一份上个月的订单数据它答应得挺痛快结果卡在了登录页。账号密码填进去弹出来个滑块验证码它对着那个滑块来回试了好几次最后跟我说“这一步得你来。”我盯着屏幕愣了三秒。说实话这种感觉挺微妙的——明明平时它整理文件、读表格、写文档都麻溜得很一双“手”灵活得不行。可这双手真要伸到互联网上去干活那条腿其实是瘸的。后来我给它接了个东西这条腿才算真正补上。一、Agent上网到底卡在哪了你有没有发现一个现象现在的AI Agent本地文件玩得转一上网就容易掉链子。要登录的网站进不去遇到验证码就停反爬一拦就报错多个账号切来切去还会串号。明明都是抓网页、抓内容为什么别人的Agent可以干活干到天亮你的Agent不是告诉你获取不到网页信息就是告诉你遇到了反爬动不了说白了不是它不聪明是它面对的那个真实互联网环境从一开始就不是为机器人准备的——网站们花了很多力气专门用来挡自动化程序。AI Agent时代最贵的资源是什么信息。别人的Agent能抓到的信息你抓不到那再好的模型也只能停在“训练截止日期”。我一直在找解决方案直到最近在GitHub上刷到一个升星特别快的项目——BrowserAct。目前GitHub Star已经突破2.4K发展速度相当快。二、它不是什么花架子是真能干活说实话一开始我也没当回事。浏览器自动化工具这些年见的多了Playwright、Puppeteer哪个不是大名鼎鼎但仔细研究了一下发现这玩意儿还真有点不一样。它不是那种“装个插件就能用”的简单货色。它真正把浏览器指纹伪装、TLS轮换、代理切换、验证码处理、受保护页面提取、远程人工接管、会话隔离、多账号身份隔离、并发任务管理这些东西全都整合到了一起。它解决的不是“能不能打开网页”这么浅的问题而是Agent在真实互联网环境里持续干活时很容易遇到的几个痛点打不开、进不去、看不懂、登录态不能复用、不能并发、遇到风控、遇到验证、遇到问题不会主动找人无缝接管。我觉得它的设计思路特别聪明——它不是让AI自己搞定一切而是承认AI有解决不了的问题把人类作为最后一层安全网融入到了自动化流程里。怎么理解它搞了个三层的防御体系第一层环境层。 指纹伪装加TLS轮换加代理切换让90%以上的反爬检测压根不触发。你的Agent在网站上看起来就像个正常人在浏览。第二层执行层。 真遇到验证码了怎么办它有自动破解的能力零配置就能提取受保护页面的内容。第三层人类层。 如果AI实在搞不定它会生成一个可访问链接让你用手机扫码或者手动操作操作完Agent无缝继续往下跑。这个三层设计我特别喜欢——不硬撑不假装该叫人就叫人但叫完人还能接着干。三、装上之后我实测了一把我把它接进了WorkBuddy。安装过程比想象中简单就两步把GitHub仓库地址丢给Agent它自己去拉去配再填一个API key。搞定这两步WorkBuddy就不只是“能打开浏览器”了它能在一个真实浏览器环境里接着往下干活。先说抓取能力。我让白板的WorkBuddy去抓小红书的内容结果直接抓瞎——小红书的搜索页需要登录反爬严格站外基本接不到完整笔记。装了BrowserAct之后再试同样抓取小红书分分钟拿下每一篇的标题、作者、互动数、日期全都抓到了。我翻看了一下它执行的过程发现是两层配合先尝试用stealth-extract自动提取受保护页面如果撞墙了比如小红书必须有登录态就启动第二层——本地Chrome浏览器模拟人为操作和搜索。这里有个细节我特别想夸它跑到需要登录那一步的时候没有硬闯也没有报错退出而是停下来把浏览器亮给我等我扫码登进去。我登完它接着往下跑整个任务从头到尾没断。除了小红书我还试了几个有校验的网站。BrowserAct的solve-captcha云端服务直接上场滑杆验证码被顺利解决。四、三种模式对应三种活装好之后我发现它内置了三种浏览器模式不是摆设是真对着不同场景来的。第一种是chrome模式直接复用你本地Chrome已经登录好的状态。你自己浏览器里登过的公司后台、各种SaaS、带SSO的内网它借着现成的cookie就进去了不用再啃登录那道墙。我那个导订单的活卡就卡在这儿换这个模式立马通。第二种是stealth隐私模式每次会话给你一套全新指纹配上代理轮换。抓那些反爬凶的公开数据用它——身份一次一换不容易被盯上。第三种是stealth固定身份模式稳定指纹、稳定IP、稳定账号适合需要长期维持一个身份去登录、去操作的场景。三种模式换着用基本覆盖了“上网干活”的大部分情况。五、批量并发才是真正见功力的时候单条抓取只是开胃菜。我真正想测的是批量并发。我让WorkBuddy分别从知乎、什么值得买、公众号、小红书上搜索NAS和Docker相关的教程并且汇总。整个过程分三个阶段先用stealth-extract并行抓取知乎和什么值得买的数据然后启动本地Chrome浏览器抓取公众号和小红书。数据返回后WorkBuddy第一时间整理成了规范的Markdown格式列出了表格、做了排序比单独看文字丰满很多。普通Agent一遇到大批量并发数据抓取就容易出问题——难的不在于工具不支持并发而在于高频下的浏览器校验、限定以及大模型本身的决策可靠性上。BrowserAct把这层也考虑进去了每个浏览器配了独立的Cookie、指纹和代理网站没法把它们关联起来。还有一个细节我挺在意——传统工具动不动甩一大坨HTML给你Token消耗瞬间几十刀就没了。BrowserAct换成了索引化的文本能显著降低Token消耗。操作也省心通过state列出能点的元素直接click 3、input 2不用费劲解析DOM。六、比“能抓”更重要的是“可复用”踩过坑的人都知道很多抓取方案第一次灵、过几天就废因为结果不稳定。BrowserAct提供了一个叫skill-forge的模块——让Agent先把一个网站摸一遍自动摸清背后的API和数据规律再打包成一份可直接部署的Skill。只需要摸一遍往后就不用每次重新探路。之后同类任务直接复用稳定、可审计、可交接。这才是Agent浏览器自动化真正进生产环境的关键。团队还备了30多个现成方案Amazon、Google Maps、YouTube、Reddit等主流平台拿来就能跑。说两句实在的Agent的瓶颈正在从“脑子”悄悄挪到“动手”能力。模型越来越聪明了可真落到干活上卡的往往是执行的那一层。谁能先把这层啃下来谁就能打通Agent干实事的最后一公里。而BrowserAct把它开源了等于把这份能力重新交回开发者手里。当然能力越强越要守边界。把浏览器的操作权交给Agent效率上来了但也伴有风险。刚上手的时候建议先在测试环境里跑盯住那道需要确认权限的闸门。但不管怎么说至少我的Agent现在能自己登录、自己过验证、自己批量抓数据了——而我要做的只是在它实在搞不定的时候扫个码而已。本文部分内容参考了霍格沃兹测试开发学社整理的相关技术资料主要涉及软件测试、自动化测试、测试开发及 AI 测试等内容侧重测试实践、工具应用与工程经验整理。
关注 霍格沃兹软件测试开发 公众号回复「资料」, 领取人工智能测试开发技术合集前两天让我的AI助手去某电商后台导一份上个月的订单数据它答应得挺痛快结果卡在了登录页。账号密码填进去弹出来个滑块验证码它对着那个滑块来回试了好几次最后跟我说“这一步得你来。”我盯着屏幕愣了三秒。说实话这种感觉挺微妙的——明明平时它整理文件、读表格、写文档都麻溜得很一双“手”灵活得不行。可这双手真要伸到互联网上去干活那条腿其实是瘸的。后来我给它接了个东西这条腿才算真正补上。一、Agent上网到底卡在哪了你有没有发现一个现象现在的AI Agent本地文件玩得转一上网就容易掉链子。要登录的网站进不去遇到验证码就停反爬一拦就报错多个账号切来切去还会串号。明明都是抓网页、抓内容为什么别人的Agent可以干活干到天亮你的Agent不是告诉你获取不到网页信息就是告诉你遇到了反爬动不了说白了不是它不聪明是它面对的那个真实互联网环境从一开始就不是为机器人准备的——网站们花了很多力气专门用来挡自动化程序。AI Agent时代最贵的资源是什么信息。别人的Agent能抓到的信息你抓不到那再好的模型也只能停在“训练截止日期”。我一直在找解决方案直到最近在GitHub上刷到一个升星特别快的项目——BrowserAct。目前GitHub Star已经突破2.4K发展速度相当快。二、它不是什么花架子是真能干活说实话一开始我也没当回事。浏览器自动化工具这些年见的多了Playwright、Puppeteer哪个不是大名鼎鼎但仔细研究了一下发现这玩意儿还真有点不一样。它不是那种“装个插件就能用”的简单货色。它真正把浏览器指纹伪装、TLS轮换、代理切换、验证码处理、受保护页面提取、远程人工接管、会话隔离、多账号身份隔离、并发任务管理这些东西全都整合到了一起。它解决的不是“能不能打开网页”这么浅的问题而是Agent在真实互联网环境里持续干活时很容易遇到的几个痛点打不开、进不去、看不懂、登录态不能复用、不能并发、遇到风控、遇到验证、遇到问题不会主动找人无缝接管。我觉得它的设计思路特别聪明——它不是让AI自己搞定一切而是承认AI有解决不了的问题把人类作为最后一层安全网融入到了自动化流程里。怎么理解它搞了个三层的防御体系第一层环境层。 指纹伪装加TLS轮换加代理切换让90%以上的反爬检测压根不触发。你的Agent在网站上看起来就像个正常人在浏览。第二层执行层。 真遇到验证码了怎么办它有自动破解的能力零配置就能提取受保护页面的内容。第三层人类层。 如果AI实在搞不定它会生成一个可访问链接让你用手机扫码或者手动操作操作完Agent无缝继续往下跑。这个三层设计我特别喜欢——不硬撑不假装该叫人就叫人但叫完人还能接着干。三、装上之后我实测了一把我把它接进了WorkBuddy。安装过程比想象中简单就两步把GitHub仓库地址丢给Agent它自己去拉去配再填一个API key。搞定这两步WorkBuddy就不只是“能打开浏览器”了它能在一个真实浏览器环境里接着往下干活。先说抓取能力。我让白板的WorkBuddy去抓小红书的内容结果直接抓瞎——小红书的搜索页需要登录反爬严格站外基本接不到完整笔记。装了BrowserAct之后再试同样抓取小红书分分钟拿下每一篇的标题、作者、互动数、日期全都抓到了。我翻看了一下它执行的过程发现是两层配合先尝试用stealth-extract自动提取受保护页面如果撞墙了比如小红书必须有登录态就启动第二层——本地Chrome浏览器模拟人为操作和搜索。这里有个细节我特别想夸它跑到需要登录那一步的时候没有硬闯也没有报错退出而是停下来把浏览器亮给我等我扫码登进去。我登完它接着往下跑整个任务从头到尾没断。除了小红书我还试了几个有校验的网站。BrowserAct的solve-captcha云端服务直接上场滑杆验证码被顺利解决。四、三种模式对应三种活装好之后我发现它内置了三种浏览器模式不是摆设是真对着不同场景来的。第一种是chrome模式直接复用你本地Chrome已经登录好的状态。你自己浏览器里登过的公司后台、各种SaaS、带SSO的内网它借着现成的cookie就进去了不用再啃登录那道墙。我那个导订单的活卡就卡在这儿换这个模式立马通。第二种是stealth隐私模式每次会话给你一套全新指纹配上代理轮换。抓那些反爬凶的公开数据用它——身份一次一换不容易被盯上。第三种是stealth固定身份模式稳定指纹、稳定IP、稳定账号适合需要长期维持一个身份去登录、去操作的场景。三种模式换着用基本覆盖了“上网干活”的大部分情况。五、批量并发才是真正见功力的时候单条抓取只是开胃菜。我真正想测的是批量并发。我让WorkBuddy分别从知乎、什么值得买、公众号、小红书上搜索NAS和Docker相关的教程并且汇总。整个过程分三个阶段先用stealth-extract并行抓取知乎和什么值得买的数据然后启动本地Chrome浏览器抓取公众号和小红书。数据返回后WorkBuddy第一时间整理成了规范的Markdown格式列出了表格、做了排序比单独看文字丰满很多。普通Agent一遇到大批量并发数据抓取就容易出问题——难的不在于工具不支持并发而在于高频下的浏览器校验、限定以及大模型本身的决策可靠性上。BrowserAct把这层也考虑进去了每个浏览器配了独立的Cookie、指纹和代理网站没法把它们关联起来。还有一个细节我挺在意——传统工具动不动甩一大坨HTML给你Token消耗瞬间几十刀就没了。BrowserAct换成了索引化的文本能显著降低Token消耗。操作也省心通过state列出能点的元素直接click 3、input 2不用费劲解析DOM。六、比“能抓”更重要的是“可复用”踩过坑的人都知道很多抓取方案第一次灵、过几天就废因为结果不稳定。BrowserAct提供了一个叫skill-forge的模块——让Agent先把一个网站摸一遍自动摸清背后的API和数据规律再打包成一份可直接部署的Skill。只需要摸一遍往后就不用每次重新探路。之后同类任务直接复用稳定、可审计、可交接。这才是Agent浏览器自动化真正进生产环境的关键。团队还备了30多个现成方案Amazon、Google Maps、YouTube、Reddit等主流平台拿来就能跑。说两句实在的Agent的瓶颈正在从“脑子”悄悄挪到“动手”能力。模型越来越聪明了可真落到干活上卡的往往是执行的那一层。谁能先把这层啃下来谁就能打通Agent干实事的最后一公里。而BrowserAct把它开源了等于把这份能力重新交回开发者手里。当然能力越强越要守边界。把浏览器的操作权交给Agent效率上来了但也伴有风险。刚上手的时候建议先在测试环境里跑盯住那道需要确认权限的闸门。但不管怎么说至少我的Agent现在能自己登录、自己过验证、自己批量抓数据了——而我要做的只是在它实在搞不定的时候扫个码而已。本文部分内容参考了霍格沃兹测试开发学社整理的相关技术资料主要涉及软件测试、自动化测试、测试开发及 AI 测试等内容侧重测试实践、工具应用与工程经验整理。
)
