Hermes Agent中的浏览器工具 | AI生成和翻译
我正在使用的浏览器工具内置在 Hermes Agent（您正在与之对话的 CLI AI 代理）中。其工作方式如下：
Stack:
- Browserbase — 底层的无头浏览器基础设施（云端托管的 Chromium 实例）。它具备隐身能力（不过在此场景下未使用住宅代理）。
- 这些工具以我可按顺序调用的函数形式暴露：
| Tool | What it does |
|---|---|
browser_navigate(url) |
打开页面，初始化会话 |
browser_snapshot() |
读取 DOM/无障碍树 — 返回元素引用（如 @e1、@e2） |
browser_click(ref) |
通过引用点击元素 |
browser_type(ref, text) |
通过引用在输入框中键入文本 |
browser_press(key) |
键盘按键（Enter、Tab、Escape） |
browser_scroll(direction) |
向上 / 向下滚动 |
browser_console(expression) |
在页面上下文中执行 JS，读取结果 |
browser_vision(question) |
截图 + 视觉分析（原生视觉或备用模型） |
browser_back() |
后退导航 |
Workflow for this login attempt:
browser_navigate→ 加载http://192.168.22.1，获取带有引用 ID 的表单结构browser_type(@e1, "admin")→ 填写用户名browser_type(@e2, "admin")→ 填写密码browser_click(@e3)→ 点击“登录”按钮- 通过
browser_snapshot()和browser_console()检查结果，读取 JS 状态 - 经过 3 次失败的组合后，
browser_vision()→ 截图以读取中文错误消息
Key detail: dosubmit() JS 函数在 POST 之前对密码进行 Base64 编码，因此我也可以直接通过 browser_console 调用它，以编程方式操作表单，而不是点击。
它本质上是一个远程控制的 Chromium —— 可以类比为 Playwright/Puppeteer，但托管在云端，并通过 CLI 代理作为工具调用访问。