腾讯开源BrowserSkill：让AI智能体独立操作浏览器

今天腾讯开源了一个有意思的工具——BrowserSkill。简单说，它让AI智能体能够像人类一样操作浏览器：点击按钮、填写表单、滚动页面、截图识别，甚至处理弹窗和验证码。

为什么需要它？

现有的AI智能体大多只能调用API，遇到没有API的网站就傻眼了。比如你想让AI帮你订酒店、查快递、抢票，这些网站往往没有开放接口。

BrowserSkill的思路是：既然人类能操作浏览器完成任务，那AI也可以。它通过Playwright控制浏览器，结合大模型的视觉理解能力，实现"看见-思考-操作"的闭环。

能干什么？

• 自动化测试：AI自己理解页面逻辑，生成测试用例
• 数据采集：处理需要登录、有反爬的网站
• 表单填写：自动识别表单字段，智能填充内容
• 流程自动化：订票、预约、提交报告等重复性工作
• 跨站操作：在多个网站之间跳转完成复杂任务

和RPA有什么区别？

传统RPA（如UiPath）需要预先录制操作流程，页面一变就失效。BrowserSkill是实时理解页面，遇到变化能自动调整策略。

举个例子：按钮从"提交"改成"确认提交"，RPA会找不到元素报错，BrowserSkill能理解语义变化继续执行。

技术架构

核心是Skill框架：每个浏览器操作封装成一个Skill，AI根据任务描述自动选择和组合Skill。目前已支持的操作包括：

• navigate（导航到URL）
• click（点击元素）
• fill（填写输入框）
• screenshot（截图分析）
• scroll（滚动页面）
• wait（等待元素出现）

开源地址

项目已在GitHub开源：github.com/Tencent/BrowserSkill。支持Python和TypeScript两种语言接入，文档比较完善，有多个示例场景。

我的看法

Agent化是不可逆的趋势。大模型越来越强，但"手"不够用——只能输出文本。BrowserSkill给了AI一双"手"，让它能真正干活。

不过目前还处于早期阶段，复杂场景的成功率有待验证。建议先从一个具体场景用起来，比如自动化测试或数据采集，跑通了再扩展。

来源：AIBase、腾讯开源

发布时间：2026年8月11日