4.1 基础动作集：制式装备盘点

4.1 基础动作集：制式装备盘点

本节摘要：内置动作覆盖六类操作：导航类、点击类、输入类、滚动类、标签页类、提取类。本节不逐个背 API，而是按"哪类仗用哪类装备"组织，重点讲参数怎么喂才不易被模型理解偏，以及动作空间裁剪这个常被忽略的免费午餐。

装备多不是好事

第 3 章说过：动作空间越大，模型选错的面越大。所以本节的立场先立住——制式装备要按需上膛。框架默认把全套动作登记进军械库，模型每拍都"看得见"它们；一个只做页面读取的任务，喂它开新标签页的动作，等于给哨兵发火箭筒，走火概率直线上升。先盘点，再学裁剪。

图：基础动作集按任务类型分类的射程图

喂参数的功夫

内置动作本身没什么玄机，玄机在模型怎么理解你的意图。同一个点击任务，两种任务单写法效果天差地别：

# 写法一：意图含糊，模型自由发挥空间大
task_vague = "去示例商城把商品加到购物车"
# 风险：可能点错"收藏"、"立即购买"，也可能把同类商品全加一遍

# 写法二：目标锁定加边界声明，复核拍好判、决策拍好选
task_clear = (
    "在商品列表页找到名称为'某某旗舰款'的商品卡片，"
    "点击卡片上的'加入购物车'按钮（不是'立即购买'），"
    "全程不要提交订单"
)
​

写法二里有两处值得抄走的手法：反例排除（不是立即购买）和禁区声明（不要提交订单）。前者替决策拍排除了最易混淆的近邻选项，后者给复核拍立了硬红线。参数喂得好，步数省一半——这不是修辞，是可以拿轨迹长度验证的。

标签页类动作单独提一句：它是比价、跨站核对类任务的刚需，也是失控重灾区——模型开了新页忘了切回，后面所有编号全对不上。用这类任务时，任务单里显式写出"核对完新页后切回原页"，比事后排错划算得多。

一次巡逻任务看装备协同

一个短任务串起导航、点击、输入、提取四类：

from browser_use import Agent, Browser
from langchain_openai import ChatOpenAI

agent = Agent(
    task=(
        "打开演示商城，搜索'机械键盘'，"
        "把结果第一页最便宜的一款的名称和价格报出来，"
        "不要点击进入商品详情页"
    ),
    llm=ChatOpenAI(model="gpt-4o", temperature=0.1),
    browser=Browser(),
)
result = agent.run(max_steps=12)
print(result)
​

预期输出示意（轨迹节选）：

Step 1: 📄 开启页面 演示商城首页
Step 2: 🖱️ 点击元素 索引 3 搜索框
Step 3: ⌨️ 输入文本 机械键盘
Step 4: 🖱️ 点击元素 索引 6 搜索按钮
Step 5: 📊 提取：比较第一页各商品价格
Step 6: ✅ 完成
最终答复： 名称 素盾K87 价格 99 元
​

注意第 5 步：比价没有产生新点击——模型在观察拍把第一页的情报直接比完了。让模型多"看"少"动"，是控制步数成本的第一个直觉。

什么时候制式装备不够用

三种信号说明该去 4.3 领扩容权了：业务动作框架不可能内置（查你司内部接口）；需要在复核链路加程序化校验；高危操作想卡一道人工确认。反之，凡是"普通网页操作"能表达的，都别急着自定义——自定义动作放错位置（该喂任务单的写成动作）是另一种常见过度设计。

参数速查表：每件装备的易错点

一个滚动加载的完整例子

懒加载列表是最容易翻车的场景，完整任务单这样写：

agent = Agent(
    task=(
        "打开评论列表页，向下滚动直到连续两次不再出现新评论，"
        "然后提取全部评论的用户名与评分；"
        "只滚动和阅读，不要点击任何评论"
    ),
    llm=llm,
    browser=Browser(),
)
result = agent.run(max_steps=16)   # 滚动多轮，预算要相应放宽
print(result)
​

预期轨迹里会看到多拍"滚动加等待"之后才进入提取拍——滚动是手段，情报变全才是目的。如果滚动三轮后提取数仍明显偏少，回 3.1 查简报：多半是列表套了内部滚动条，外层滚动够不着，此时改用"滚动页面主列表区域"的措辞。这个例子也说明预算要按机械动作放量：滚动型任务的步数天然比普通任务高，给足预算不是浪费。

制式装备的边界案例两则

**边界一：文件下载。**点击"下载报表"按钮之后发生的事（浏览器下载管理、文件落盘）属于浏览器内核行为，不是模型的决策范围。任务单的正确写法是到"触发下载"为止，落盘后的处理交给代码——模型负责"让下载发生"，不负责"管理文件"。

**边界二：弹窗与对话框。**页面的原生对话框（确认、提示）与页面内自绘弹窗是两种东西：原生对话框由内核层接管，框架通常有默认处理策略；自绘弹窗就是普通页面元素，走正常的观察与点击。分不清时先看现象：模型日志里"点了没反应"的多半是原生对话框——这时不是改任务单，而是查框架的对话框处理配置。两则边界合起来给出一条例：凡是"浏览器自己会做的事"，别写进任务单指望模型管，任务单只管模型该管的决策。

一组实战对照：同一个任务的两个版本

# 版本A：只说目标，模型自由发挥
task_a = "去文档站把入门指南的内容拿回来"

# 版本B：锁定路径与产出，装备各就各位
task_b = (
    "打开文档站，点击左侧目录中的'入门指南'，"
    "提取正文的前三个小节标题与首段文字，"
    "不要点击任何'下一页'"
)
​

实测中版本 A 常见两种走偏：点进视频教程、把整站目录抄回来。版本 B 的轨迹稳定在四到六拍。这个对照是 4.1 的全部要义：制式装备不缺威力，缺的是你给的明确射界。

制式装备盘完。下一节把观察拍的花活讲透：让模型把"看见"的变成带字段约束的结构化数据。