让浏览器 Agent 稳定运行的三个要点

第一个月，我一直让 Agent 待在终端里。处理文件、操作 git、执行命令，都没问题。浏览器则不许碰，因为我认定它会不稳定，而且我听过的每一个 GUI 自动化故事，最后都变成了一堆脆弱的坐标定位。

后来，一个任务让我不得不面对这个问题：一份周报，只有登录后才能查看，而且没有导出按钮。要么让 Agent 学会操作浏览器，要么我就得永远手动处理。

真正难的是什么

不是点击。点击没什么问题。真正难的地方，按顺序是：

判断页面什么时候准备好了。固定等待时间靠不住。我最后的做法是，等待一个只有数据加载完成后才会出现的特定元素；一旦超时，就明确报错，而不是继续对着空表格操作。

分清是真的失败了，还是只是加载慢。一个没加载出来的页面，看起来和一个仍在加载的页面一模一样。解决办法还是等待那个特定元素，再加上每次超时都保存截图，这样我就能从日志里判断究竟是哪种情况。

找到那些没有固定坐标的东西。布局会变，横幅会出现，Cookie 提示会把所有内容往下挤。读取无障碍树，再根据角色和名称点击，比按像素坐标定位更可靠，而且还能生成我看得懂的日志。

处理任何需要我介入的情况。双因素验证提示、验证码、“确认你的身份”。这些不是自动化要解决的问题，而是应该停止的条件。Agent 应该停下来，而不是猜着操作。

任务清单发生了什么变化

有意思的变化，并不是旧任务做得更快了，而是一些新的任务变得可行了。

那些被我归类为“必须手动完成”的事情，实际上只是“没有 API”。查看仪表盘、从供应商门户提取数据、检查某条上架信息是否已经上线——这些事情都不难，只不过隔着一层屏幕。

这比给某件事省下几分钟重要得多。我对哪些事情可以自动化的判断出了错，原因是我一直把界面当成了一堵墙。

绝不要在步骤之间复用缓存的截图。每一步都要重新读取当前状态。

如果点击后没有任何可见变化，就把它当成错误，而不是认为已经完成。

遇到任何看起来像安全验证的提示，都要停下来询问。不要试着一路点击跳过去。

每次失败都保存一张截图，并用步骤名称命名。我有一半的调试工作，就是在看这些截图。

对此，我仍然保持谨慎。一个只能做对一半的浏览器 Agent，比一个拒绝执行的 Agent 更危险，因为一个半成功的流程会产出看似合理、实际错误的数据。正是等待特定元素和明确报错这两点，让它足够可信，可以投入使用。

如果还想采取进一步措施，你可以考虑屏蔽此人和／或举报滥用行为。