Skip to main content
Stagehand为AI智能体提供了强大的工具,使其能够完全自主地控制浏览器。观看下方演示,Stagehand智能体自主导航至URL,在页面上执行操作,并提取结构化数据来回答问题。 使用Stagehand构建智能体有多种方式,下面我们将介绍其中几种。 智能体

Stagehand MCP

上述示例是一个使用Stagehand控制浏览器的Claude智能体。截至本文撰写时,多模态工具调用功能仅在Claude 3.5/3.7 Sonnet版本中支持。 这意味着Claude具备足够的智能来判断何时需要请求浏览器截图,并能利用该截图决定下一步操作。

Browserbase MCP

通过Stagehand驱动的Browserbase MCP控制浏览器
最令人惊叹的是,这个代理能够理解浏览器状态并执行相互独立的操作! Claude 擅长分析浏览器状态,而 Stagehand 则能通过 GPT-4o-mini 或计算机使用模型在页面上执行操作。 Stagehand 甚至能智能判断何时使用 GPT-4o-mini,何时调用计算机使用模型(例如在检测到 iframe 时)。
我们通过让 Claude 作为”轨迹”代理在适当时调用 Stagehand 工具取得了显著成效! 虽然 MCP 仍处于早期阶段,但我们对它的发展前景充满期待。

Stagehand + 计算机使用模型

Stagehand 只需一行代码就能调用 OpenAI 和 Anthropic 强大的计算机使用 API。

Stagehand + 计算机使用文档

查看我们的文档页面,了解如何将计算机使用模型与 Stagehand 配合使用。

CUA 浏览器演示

观看由 OpenAI 计算机使用代理 (CUA) 模型控制的 Browserbase 浏览器实时演示。

顺序工具调用 (Open Operator)

2025年1月,Browserbase发布了Open Operator
Open Operator能够理解浏览器状态并采取相应动作来完成”给我订个披萨”这类复杂任务。
其工作原理是依次调用Stagehand工具:
  1. 若无URL,则访问默认URL
  2. 检查浏览器状态,请求LLM推理下一步操作
  3. 使用page.act()执行LLM建议的动作
  4. 循环执行
只需添加一行代码即可将stagehand.agent集成到浏览器自动化中:
Python当前支持通过计算机使用代理(CUA)模型调用stagehand.agent,默认实现即将推出。

重放代理动作

您可以像使用常规Stagehand代理一样重放动作,甚至能自动缓存动作以避免重复运行时不必要的LLM调用。 下面使用replay函数将动作保存为Stagehand脚本文件,该文件将完全复现代理执行的动作,并内置缓存功能。
以下是类似指令 "获取英伟达(NVDA)的股价" 的回放输出:
replay.ts