---
title: "浏览器工具"
description: "使用浏览器会话自动化网页交互、测试 UI 并捕获截图"
---
浏览器工具支持由 AI 驱动的浏览器交互。通过自然语言命令启动浏览器会话、点击元素、输入文本、滚动页面并捕获截图。
### 你将学到
- 会话生命周期：启动 → 交互 → 关闭
- 浏览器操作：点击、输入、滚动
- 使用场景：UI 测试、截图、导航
---
## 会话生命周期
每个浏览器自动化工作流都遵循严格的顺序：
1. **启动** - 在目标 URL 处开启浏览器会话
2. **交互** - 执行操作（点击、输入、滚动）
3. **关闭** - 结束会话以释放资源
浏览器状态会在同一会话的各操作之间保持。你必须先关闭浏览器，才能使用其他 Verdent 工具。
每次操作都会返回一张显示当前浏览器状态的截图。在操作之间查看截图以确认成功，再继续下一步。
---
## 浏览器操作
**启动新的浏览器会话**
- 必填项：目标 URL
- 以 1920x1080 分辨率打开浏览器
- 始终是任何工作流的第一个操作
```
Launch browser at https://example.com
```
**在指定坐标处点击**
- 必填项：x,y 坐标
- 坐标相对于视口
- 以元素中心为目标以提高可靠性
```
Click coordinates 450,300
```
**通过键盘输入文本**
- 必填项：要输入的文本
- 输入到当前聚焦的元素中
- 通常在点击输入框之后进行
```
Type "user@example.com"
```
**滚动页面**
- `scroll_down` - 向下滚动一个页面高度
- `scroll_up` - 向上滚动一个页面高度
- 显示屏幕外的内容
```
Scroll down to load more content
```
**结束浏览器会话**
- 始终是任何工作流的最后一个操作
- 在使用其他工具之前必须执行
- 释放浏览器资源
```
Close browser
```
坐标相对于 1920x1080 视口。中心大约在 (960, 540)。使用截图来估算元素位置。
---
## 常见使用场景
**测试表单提交和导航流程**
在登录页面启动，点击输入框，输入凭据，提交表单，并通过截图验证结果。
```
Launch browser at https://app.example.com/login
Click coordinates 450,280
Type "testuser@example.com"
Click coordinates 450,340
Type "password123"
Click coordinates 500,420
Close browser
```
**为文档捕获页面**
每次操作后会自动捕获截图。导航到目标页面和区块，以构建可视化文档。
```
Launch browser at https://docs.example.com
Scroll down to API section
Close browser
```
**导航到目标内容**
使用浏览器自动化到达需要交互（点击菜单、加载懒加载内容）才能访问的内容，然后再进行提取。
```
Launch browser at https://store.example.com
Scroll down three times
Click "Next Page" at 960,800
Close browser
```
---
## 限制
- **工具互斥** - 在活动会话期间只能使用 browser_action
- **基于坐标** - 需要 x,y 坐标，而非 CSS 选择器
- **固定分辨率** - 浏览器视口锁定为 1920x1080
- **仅支持 Chrome** - Puppeteer 支持 Chrome/Chromium 浏览器
- **无持久化** - 会话无法在 Verdent 重启后保留
- **不支持 WSL** - 浏览器工具无法在 WSL 环境中工作
- **无保存状态** - 每个会话都从头开始，没有 cookie 或身份验证
- **单一会话** - 同一时间只能有一个活动的浏览器会话
在使用文件操作、搜索工具或 bash 命令之前，请务必关闭浏览器会话。浏览器在活动会话期间会锁定其他工具。
---
## 另请参阅
审查并批准代码更改