Stagehand：用 AI 解析自然语言指令的开源浏览器自动化框架
Browserbase 开源 Stagehand 框架，用 AI 将自然语言指令解析为页面元素，由确定性代码执行，兼顾抗…
Stagehand 是 Browserbase 开源的浏览器自动化 SDK，GitHub Star 数已超过 2.3 万，采用 MIT 协议发布。它尝试在传统自动化与全自主 AI 代理之间走第三条路：开发者写自然语言指令，AI 在运行时将其解析为真实页面元素，再交给确定性代码完成点击、填写等操作。这一设计目标是让自动化脚本既能承受前端改版，又保持可预测、可回放。
核心设计：指令而非选择器
传统浏览器自动化框架（如 Playwright、Selenium、Puppeteer）依赖硬编码 CSS 选择器或 XPath，速度快、可重现，但前端一旦改名或重构，脚本就会静默失效。相比之下，全自主 AI 代理以目标驱动（如「购买耳机」），抗改版能力强，但每次执行路径不可控、调试困难，且每步都消耗模型 Token。
Stagehand 的取舍在于把每个浏览器动作拆成两半：AI 负责「决定操作什么」，确定性代码负责「实际执行」。AI 部分吸收页面变化，代码部分保持行为精确。这样既不像硬编码那样脆弱，也不像黑盒代理那样难以追踪。
四个动词的 API
Stagehand 的接口刻意收窄为四个动词，覆盖浏览器自动化的常见需求：
- act()：执行单步动作，对应一条原子指令，例如「点击登录按钮」。文档强调指令要保持原子，避免「登录并跳转到设置页」这类复合描述。
- extract()：按开发者定义的 Zod Schema 从页面抽取结构化数据，输入是混乱的 DOM，输出是类型化对象；模型返回结果会先经过 Schema 校验，形状不符直接抛错而非悄悄出错。
- observe()：侦察页面，返回可执行动作候选（含选择器与方法），适合在执行不可逆操作前先确认。
- agent()：以目标驱动的多步自主工作流，支持常规 LLM，也支持专门的 computer-use 模型（如 google/gemini-2.5-computer-use-preview-10-2025）。
前三个是「精度工具」，最后一个是「自主工具」。两者共用同一底层能力，开发者可以根据场景在确定性与自由度之间切换。
缓存、成本与安全
为降低重复调用的开销，Stagehand 会缓存 AI 对同一指令的解析结果，让常见路径不必每次都问模型。对于敏感字段，框架提供占位符机制，例如 act("type %password% into the password field", { variables: { password: ... } })，避免明文凭据进入 prompt。
整体而言，Stagehand 把「指令」作为自动化的基本单位，既弱化了对硬编码选择器的依赖，又保留了对每一步动作的可见控制。对于需要长期运行、但前端会持续演进的数据采集与流程自动化场景，它提供了一个介于脚本与代理之间的中间选项。
使用方式
- 安装：通过 npm 安装
@browserbasehq/stagehand。 - 初始化：创建 Stagehand 实例并启动浏览器会话。
- 组合调用：在同一会话中混用 act()、extract()、observe()，在需要端到端流程时调用 agent()。
- 调试：observe() 的返回值可用于回放或人工调整指令，降低排障成本。
凭借 MIT 协议与清晰的四动词 API，Stagehand 已成为 AI 浏览器代理生态中较受关注的开源实现之一。