octop-browser 浏览器自动化

通过 Bash 工具调用 octop-browser CLI 来驱动一个真实的 Chrome 浏览器 （基于 Chrome DevTools Protocol）。同一个 profile 的多次命令会 attach 到 同一个 Chrome 进程，因此一连串命令共享一个持久会话。

核心规则

1. click 之前必须先跑 dom-tree — 页面跳转后 ref 会失效。
2. 默认用 --level interactive（约 200-500 token），返回所有可交互元素。
3. 只想确认页面状态时用 --level minimal（约 50 token）。
4. 需要读全文内容时才用 --level full（约 1000-3000 token）。
5. 要 JSON 结构化数据用 --level structured。
6. 禁止硬编码坐标 — 始终用 dom-tree 返回的 --ref。
7. 用命名 profile 持久化登录态：--profile work、--profile github。
8. 遇到 CDP 错误：跑 dom-tree --level minimal 确认页面状态，再重试。
9. 结束时跑 close-session --profile <名称>：仅断开 CDP，Chrome 进程保留以便下次 attach。

标准工作流

# 1. 导航
octop-browser navigate "https://example.com" --profile default

# 2. 获取可交互元素和 ref
octop-browser dom-tree --profile default
# 输出：
#   [ref=inp_1] input[text] placeholder="搜索"
#   [ref=btn_2] button "搜索"

# 3. 用 ref 操作 —— 禁止猜测坐标
octop-browser click --ref inp_1 --profile default
octop-browser type "hello" --profile default
octop-browser click --ref btn_2 --profile default

# 4.（可选）保存截图作为证据
octop-browser screenshot --path /tmp/result.png --profile default

任何命令加 --json 即可返回完整的 ToolResult 结构（success / content / metrics / metadata / error），适合脚本解析；不加则输出人类友好的文本。

命令速查表

命令	必填	常用选项
navigate <url>	url	--profile、--json
dom-tree	—	--level {minimal,interactive,full,structured}
screenshot	—	--full-page、--element-ref REF、--path PATH
click	三选一：--ref REF / --selector CSS / --xy X Y
type <text>	text	--ref REF（先点击再输入）
scroll	—	--direction {up,down,left,right}、--amount N
hover <ref>	ref
eval-js <expression>	expression
go-back / go-forward / reload	—
list-tabs	—
new-tab	—	--url URL
switch-tab <tab_id>	tab_id
close-tab	—	--tab-id ID
close-session	—	（仅 --profile）

所有动作命令都支持 --profile、--json，以及 --auto / --headed / --headless 三选一。注意：launch-mode 仅在该 profile 的 首次 调用时 生效，之后会复用已经在跑的 Chrome 进程。

截图

screenshot 直接落盘并打印文件路径（不是 base64）。加 --json 时 metadata 会带 url / title / width / height / size_kb / full_page。

• 默认路径：BROWSER_USE_SCREENSHOTS_DIR/octop-<时间戳>.png （默认 ~/.octop-browser/screenshots/）
• --full-page —— 一次抓整页可滚动区域
• --element-ref btn_2 —— 截某个元素（与 --full-page 互斥，元素优先）
• --path /tmp/latest.png —— 固定路径，重复调用覆盖

配置（环境变量）

所有配置都通过环境变量驱动，开发/CI/生产无需改代码。

变量	默认	用途
BROWSER_USE_MODE	auto	auto / headed / headless（auto 按 DISPLAY 自动判定）
BROWSER_USE_PROFILES_DIR	~/.octop-browser/profiles	Chrome user-data-dir 根目录
BROWSER_USE_SCREENSHOTS_DIR	~/.octop-browser/screenshots	截图默认输出目录
BROWSER_USE_CHROME_BIN	自动探测	Chrome 路径（也会自动发现 Playwright 自带的 Chromium）
BROWSER_USE_CDP_HOST	localhost	远端/Docker 中的 Chrome 主机
BROWSER_USE_CDP_WS_URL	—	跳过启动器，直接连指定 WebSocket URL

登录态复用

Profile 数据存储在 ~/.octop-browser/profiles/<名称>/，复用相同 profile 名 即可自动复用 Chrome cookies，无需重新认证。

# 首次运行：手动完成登录（需要桌面/--headed 模式）
octop-browser navigate "https://github.com/login" --profile github --headed
# ... 在浏览器中完成登录 ...

# 后续所有调用：自动复用登录态
octop-browser navigate "https://github.com" --profile github

安装

pip install octop-browser

# 需要安装 Chrome 或 Chromium：
# Ubuntu: sudo apt install chromium-browser
# macOS:  brew install --cask google-chrome
# 没有系统浏览器时：octop-browser install-browser
#   （会自动 pip install playwright 并下载 Chromium；预装好的镜像可设
#    OCTOP_SKIP_PLAYWRIGHT_PIP=1 跳过 pip 步骤）

Python API（可选）

如果你更愿意把 octop-browser 嵌进 Python 脚本而不是走 shell， from octop_browser import browser_tool 提供等价的入口，返回 ToolResult。 但对 skill / agent 场景，推荐用 CLI —— 调用方无需管理状态，shell 上下文也更 直接。

代码仓库

https://github.com/TencentCloud/browser-use.git