浏览器智能体实战 · 第 1 章 动作原语

浏览器智能体实战 · 第 1 章 动作原语

章节摘要：本章是全书的方法论地基。剥掉各框架的外壳，浏览器智能体对网页的一切操作都降解为三个动词：act（执行，把意图变成页面动作）、extract（抽取，把页面变成结构化数据）、observe（观察，只看不动，产出候选动作清单）。1.1 节讲三原语语义——为什么偏偏是这三个词、自然语言指令如何一步步映射成页面动作、三原语覆盖不了什么。1.2 节下探到 DOM 流派的元素定位：选择器、文本与角色匹配、元素标注与编号点击（browser-use 式），以及定位失败的三种典型与对策。1.3 节回到靶场做完整走查：观察、执行、抽取三步各留中间产物，Stagehand 指令式与 Playwright 代码式两版对照。三原语之上加循环是第 2 章，代码优先地用三原语是第 3 章。

学习目标

• 用 act、extract、observe 三个动词复述任意一个网页自动化任务。
• 说出自然语言指令映射为页面动作的四个步骤及各步产物。
• 分清选择器、文本角色匹配、模型选择三种定位手段的适用面。
• 解释元素标注与编号点击的机制，以及它为什么是 DOM 流派主流。
• 在本地测试页上独立完成一次三原语走查并解读中间产物。

核心概念速览

三原语环：网页智能体的公共语法

        ┌────────── observe（观察） ──────────┐
        │   产出候选动作清单，只看不动          │
        ▼                                    │
   页面状态 ──▶ act（执行）──▶ 页面变化 ──▶ 验证（第 6 章）
                 意图变动作       │
                                 ▼
                        extract（抽取）
                        页面变结构化数据
​

一句话金句：网页自动化的一切复杂度，最终都坍缩为「看一眼、动一下、取一物」。

子章节导航

• 第 1.1 节《三原语语义》：为什么是三个动词、act / extract / observe 的输入输出与失败模式、三原语的不完备清单。
• 第 1.2 节《元素定位与索引》：定位手段三层、可交互元素发现、元素标注与编号点击、定位失败对策。
• 第 1.3 节《最小示例走查》：靶场任务、三步各自的代码与中间产物、指令式与代码式对照。

按序读：1.1 立语义，1.2 下探到定位机制，1.3 回到靶场合流验证。

子章节之间的逻辑关系

┌───────────────┐   语义落到机制    ┌───────────────┐   机制回到实践   ┌───────────────┐
│ 1.1 三原语语义 │ ──────────────▶ │ 1.2 元素定位    │ ──────────────▶ │ 1.3 走查      │
│ act/extract/   │                 │ 选择器→文本角色  │                 │ 观察→执行→抽取 │
│ observe        │                 │ →编号点击       │                 │ 两版对照      │
└───────┬───────┘                 └───────┬───────┘                 └───────┬───────┘
        │ 产物：公共语法                    │ 产物：定位手段谱系               │ 产物：可复跑脚本
        └────────────────────────────────┴───────────────┬───────────────┘
                                                        ▼
                              第 2 章（三原语加循环） / 第 3 章（三原语代码优先）
​

前置知识与后续延伸

• 前置：第 0.2 节的双栈环境与本地测试页靶场；第 0.1 节的四流派地图（本章定位在 DOM 动作原语流派）。
• 延伸阅读：《深入理解 AI Agent》第 9 章「Computer Use：GUI 自动化 Agent」一节——动作空间设计的原理视角，与本章 1.1 的三原语互为表里。
• 后续：第 2 章把三原语交给 Agent 循环（browser-use），第 3 章把三原语交给代码优先的 SDK（Stagehand），第 4 章换一种页面表示（无障碍树）重新看三原语。

合规声明：本节内容仅用于你有权访问的站点与授权自动化场景；请遵守目标站点的服务条款，自动化访问的速率与方式应可被站点方接受。