搜索[JavaScript库]结果-低调大师优秀个人博客

这个国产数据库的进化，实测结果让我感到惊讶

# 在前面的文章中，我提到过，我认为图是AI数据库的必备功能之一，这也是我迟迟没有推进国产数据库适配的主要原因之一。

2026-07-17

IP库与AppsFlyer对账指南：破解广告投放中的数据迷雾

如果IP库更新不及时，就极易产生定位偏差。有研究表明，不同商业IP数据库之间，将一个IP定位到同一城市级别（50公里内）的一致性比例，最低可能仅为26%至29%。

2026-07-16

DolphinDB × Obsidian：把你的数据变成 AI 能读的知识库

所以我们在 DolphinDB 插件市场上线了 Obsidian 模块，每次跑完分析，一行代码把结果写成结构化笔记存进知识库。从此 AI 能直接读、直接推理、直接回答你的问题。

2026-07-16

智能体原生数据库的五层架构到底改了什么？

这个变化比云原生还狠-云原生改的是部署方式，agent Native 改的是数据库的底层假设。在2026年7月9日发布的《数据库发展研究报告（2026年）》。

2026-07-14

BrowserAct Skills：AI Agent 的浏览器自动化技能库

# 前言 ![BrowserAct Logo](https://developer.qcloudimg.com/http-save/yehe-5714147/5ecc16b5eb5a7050f04f9eb4318e9e88.png) 如果说传统浏览器自动化工具主要服务“人写脚本”，那 BrowserAct 的定位更明确：**它服务的是 AI Agent。** 它不是简单把 Playwright、Puppeteer 的能力再包一层，而是围绕 Agent 的真实工作方式重做了一套浏览器操作接口：页面状态要能被模型低成本理解，点击和输入要能用索引完成，多账号并行不能互相污染，遇到验证码和真人校验时也要能逐级升级。换句话说，BrowserAct 想解决的不是“怎么打开一个网页”，而是： > *当 Agent 需要长期、并发、可恢复地操作真实网页时，浏览器应该长什么样？* 本文整理自 `browser-act/skills` 仓库当前 `main` 分支。 ## 这个项目到底是什么 BrowserAct Skills 仓库主要包含两类内容。第一类是 `browser-act` 入口 Skill。它把 BrowserAct CLI 暴露给 Claude Code、Cursor、OpenClaw、Codex、Gemini CLI 等可以执行 shell 命令并加载 Skill 的 Agent。Agent 在执行浏览器任务前，会先运行： ``` class="language-bash">browser-act get-skills core --skill-version 2.0.2 ``` 这一步不是普通帮助文档，而是运行时说明：它会返回环境状态、浏览器列表、命令规则、会话约束和安全提示。BrowserAct 的文档特别强调，Agent 不应该跳过这一步。第二类是 `browser-act-skill-forge`。它不是一次性抓网页的工具，而是“技能生成器”：让 Agent 先探索一个网站的 API 或 DOM 结构，再生成可复用的 `SKILL.md + scripts` 包。以后同类任务不必重新探索，直接调用生成后的 Skill。仓库里还放了一个 Solutions Catalog，也就是已经由 Skill Forge 生成好的预置技能目录。按当前 README 统计，它覆盖了 78 个方案，主要分布在电商、获客、搜索研究、社媒监听和视频平台几个方向。 ## 为什么 AI Agent 需要专门的浏览器 README 里给出的判断很直接：Agent 需要的浏览器，和人类写自动化脚本需要的浏览器不完全一样。人写脚本时，通常关心选择器、DOM、网络请求、浏览器驱动和异常重试。Agent 操作网页时，问题会变成另一组： **•**页面状态能不能用很少的 token 看懂？ **•**Agent 能不能不用 XPath 和 CSS selector，也能点击正确元素？ **•**多个 Agent 同时执行任务时，会不会抢同一个浏览器状态？ **•**已登录账号、指纹、IP、cookie 能不能隔离？ **•**遇到反爬、验证码、登录校验时，能否自动处理，或交给人接管？ **•**一次探索出的网页结构，能否沉淀成下一次可复用的 Skill？ BrowserAct 的设计几乎都围绕这些问题展开。 ## 核心能力一：三层反封锁体系 BrowserAct 把反封锁能力分成三层：环境层、执行层、人工层。环境层的目标是尽量让验证不要触发。它包含浏览器指纹伪装、TLS 指纹轮换、代理切换、隐私模式、headless 隐藏等能力。README 的说法是，大多数阻断应该在这一层被吸收掉。执行层处理已经触发的验证。例如： ``` class="language-bash">browser-act --session s1 solve-captcha ``` 以及更偏读取场景的： ``` class="language-bash">browser-act stealth-extract https://example.com ``` `stealth-extract` 可以理解成更强的 WebFetch 替代：给它一个 URL，它启动具备反检测能力的浏览器，等待 JS 渲染，返回 Markdown 或 HTML，然后关闭临时上下文。它不要求你管理浏览器实例和 session。人工层用于自动化解决不了的情况。`remote-assist` 会生成一个远程接管链接，用户可以从任意设备打开，手动处理登录、验证码或复杂交互；处理完之后，Agent 再继续执行。这个设计的重点不是“无脑绕过所有限制”，而是分层升级：普通任务先用普通浏览器，触发反爬再切 stealth，需要验证码再尝试自动处理，自动处理失败才交给人。 ## 核心能力二：三种浏览器模式 BrowserAct 的浏览器模式不是按技术名词堆出来的，而是按真实使用场景切分。第一种是 `chrome`。它适合复用本地 Chrome 登录态，比如 Gmail、GitHub、Jira 或企业内部系统。它有两种子模式：一种是导入本地 Profile，把 cookies、localStorage、IndexedDB 等复制到独立 Chromium 实例；另一种是 `chrome-direct`，通过 CDP 直接接管正在运行的本地 Chrome。第二种是 `stealth` 隐私模式。它适合不需要登录的批量采集任务。每个 session 都使用新的指纹和空 profile，结合动态代理，可以减少状态残留和指纹积累。第三种是 `stealth` 固定身份。它适合长期登录、多账号并行和多店铺运营。每个浏览器拥有稳定指纹、稳定 IP、独立 cookies 和独立登录状态，让不同账号之间不互相污染。这背后的架构判断很重要：**浏览器就是身份，session 是工作空间。** 一个浏览器可以承载多个 session，同一浏览器下的 session 共享登录态，但执行互相独立；不同浏览器则拥有独立 cookies、指纹、代理和 profile。 ## 核心能力三：零干扰并发在普通自动化里，并发经常只是“开多个页面”。BrowserAct 更强调并发时的身份隔离。它提供三种并发模型。 **•**跨浏览器并行：每个浏览器都是独立身份，适合多账号、多店铺、多身份任务。 **•**同浏览器多 session：共享同一账号登录态，但任务各跑各的，适合同一账号下的多个子任务。 **•**隐私模式零残留：每次从空 profile 和新指纹开始，适合一次性采集。 session 名称必须显式指定，而且在并发环境中需要全局唯一。这样做看似麻烦，但对多 Agent 协作很关键：它让每个会话都有明确所有权，避免不同 Agent 抢同一页面、误点同一账号、复用别人留下的临时上下文。 ## 核心能力四：为模型推理设计的交互接口 BrowserAct 最有意思的地方，是它没有把网页状态直接丢给模型做 DOM 解析。它提供的是紧凑的索引化文本输出。`state` 返回当前页面中可交互元素的索引，Agent 可以直接用： ``` class="language-bash">browser-act --session login input 2 "user6a9955">#c586c0">@example.com" browser-act --session login click 4 ``` 这对 LLM 很友好。模型不需要猜 CSS selector，也不需要从大段 HTML 中寻找按钮。它只需要看见 `[2]` 是邮箱输入框、`[4]` 是提交按钮，然后按索引操作。页面变化之后，旧索引会失效，所以需要重新运行 `state` 获取新状态。这个循环在 Quick Start 中被概括为： ``` class="language-text">Open → State → Interact → State → ... → Close ``` 这也是 BrowserAct 和传统脚本型自动化的关键差异：它的接口首先服务“模型如何行动”，而不是“程序员如何写选择器”。 ## 核心能力五：desc 语义记忆每个浏览器都有一个 `desc` 字段，用自然语言描述它的用途。例如： ``` class="language-text">Taobao shopping account, logged in as user123. Used for price monitoring. ``` Agent 在新对话中不必记住某个浏览器 ID，而是按语义匹配任务。比如用户说“检查淘宝价格”，Agent 可以从浏览器列表中找到描述里最匹配的 Taobao 浏览器。官方文档给出的选择优先级是： **•**如果 `desc` 明确匹配任务，就直接使用。 **•**如果只有一个浏览器，就直接使用。 **•**如果多个浏览器都不明确，就列出候选让用户选择。完成新任务后，Agent 还可以用 `--desc-append` 补充描述，让这个浏览器的用途记忆越来越完整。 ## Skill Forge：把一次探索变成长期复用如果只是偶尔读一个页面，`stealth-extract` 就够了。如果要长期抓同一个网站、批量跑几百个关键词、每天监控库存或价格，BrowserAct 推荐使用 Skill Forge。 Skill Forge 的核心思想是：**探索一次，复用很多次。** 它的流程可以拆成四步： **•**Describe：用自然语言描述你要的数据或操作。 **•**Explore：优先探索 API，找不到稳定 API 再 fallback 到 DOM。 **•**Generate：把业务参数变成命令行参数，生成 `SKILL.md` 和脚本。 **•**Self-Test：用子 Agent 做端到端测试，不通过就修复。例如你可以告诉 Agent： ``` class="language-text">Forge a Skill that extracts job listings from LinkedIn: title, company, salary, URL. I'll run 300 keywords later. ``` Skill Forge 会先探索 LinkedIn 的数据加载方式，再沉淀成可部署的 Skill。之后你要跑 300 个关键词，不需要让 Agent 每次重新摸索页面结构。这类模式对团队尤其有价值：工程师不必为每个采集需求手写 scraper，而是维护一套“让 Agent 自助生成 Skill”的平台能力。 ## Solutions Catalog：已经准备好的 78 个方案仓库的 `solutions/README.md` 提供了已经生成好的预置技能目录。按当前快照，主要包括五类。电商类有 19 个，例如 Amazon 商品详情、搜索结果、评论、Buy Box 监控、竞品分析，以及淘宝、闲鱼、通用电商 listing、商品详情和评论提取。获客类有 13 个，例如 Google Maps 商户数据、联系方式提取、LinkedIn 职位、Indeed 职位、YouTube 频道商业邮箱、GitHub 贡献者联系方式、Product Hunt 榜单等。搜索与研究类有 6 个，例如 Google 搜索结果、新闻、图片、网页研究助手、深度爬取和通用网页 Markdown 提取。社媒监听类有 26 个，覆盖 Facebook Ads Library、Facebook 群组和主页、Instagram、Reddit、Trustpilot、微信公众号文章搜索、X/Twitter、小红书、知乎等。视频平台类有 14 个，覆盖 TikTok、YouTube 搜索、频道、评论、转录、视频详情和竞品分析。这部分说明 BrowserAct 不只是底层 CLI，它还在尝试建立一个“浏览器自动化 Skill 市场”：通用底座 + 自动生成器 + 预置方案。 ## 安装与快速开始官方推荐方式是让你的 AI Agent 安装： ``` class="language-text">Install browser-act. Skill source: https://github.com/browser-act/skills/tree/main/browser-act . Verify it works after installation. ``` 手动安装 CLI 的命令是： ``` class="language-bash">uv tool install browser-act-cli --python 3.12 browser-act --version ``` 如果要使用 `stealth` 浏览器、`stealth-extract`、动态代理或 `solve-captcha`，需要配置 API Key： ``` class="language-bash">browser-act auth login browser-act auth poll ``` 或者直接设置： ``` class="language-bash">browser-act auth set ``` 普通 `chrome` 和 `chrome-direct` 模式不要求认证；高级 stealth、代理和验证码能力则依赖 BrowserAct 的托管服务。 ## 安全边界：能力强，但不是无约束 BrowserAct 在 README 和 docs 中反复强调 confirmation gating，也就是敏感操作必须经过明确确认。需要确认的操作包括： **•**创建或删除浏览器。 **•**导入本地 Profile。 **•**修改代理配置。 **•**修改隐私模式。 **•**修改安全确认开关。 **•**对标记为 `confirm_before_use` 的浏览器执行打开操作。这不是 CLI 层面的绝对硬阻断，而是 Skill 层面的对话协议：Agent 必须先说明它要做什么、会影响哪些状态、为什么需要做，然后等待用户明确同意。这点很重要。让 Agent 控制真实浏览器，本质上是在赋予它访问账号、页面、表单、文件上传、网络请求和登录态的能力。BrowserAct 的安全策略不是假装风险不存在，而是让每一个高风险动作都被人类看见。另外，文档中也说明了数据隐私边界：cookies、登录 session、页面内容、截图、网络捕获、浏览器 profile 都保存在本地；唯一例外是调用 `solve-captcha` 时，会把验证码挑战图片发送到 BrowserAct 云服务，但不上传 cookies、页面内容或 URL。 ## 适合什么场景 BrowserAct 比较适合这几类任务。第一类是 Agent 需要读取 JS 渲染页面、反爬页面或地理限制页面。此时 `stealth-extract` 可以作为增强版 WebFetch。第二类是需要真实登录态的网页操作，比如内部系统、后台管理、企业 SSO、GitHub、Jira、Gmail 等。这类任务可以用 `chrome` Profile 导入或 `chrome-direct` 接管本地 Chrome。第三类是多账号并行，例如多店铺运营、竞品监控、社媒账号管理、商户数据采集。此时浏览器身份隔离比单纯开多标签页更重要。第四类是重复性网页采集或操作。一次性任务用 `browser-act`，长期批量任务用 Skill Forge 生成可复用 Skill。第五类是需要 Agent 和人协作的复杂流程。自动化走到验证码、风控、登录校验时，可以通过 remote assist 交给人处理，再让 Agent 接着跑。 ## 不适合什么场景它也不是所有场景的最佳答案。如果目标站点已经提供稳定 API，优先用官方 API，KISS 原则更强：更简单、更可维护、更不容易触碰平台边界。如果只是一次普通静态网页读取，curl、requests 或普通 WebFetch 足够，没必要启动完整浏览器环境，YAGNI 原则要求我们不要为了“看起来强”而引入重工具。如果任务涉及敏感账号、支付、隐私数据或可能违反目标网站条款的操作，应先确认授权和合规边界。BrowserAct 提供能力，不等于所有能力都应该被使用。如果团队已经有成熟的数据采集平台，BrowserAct 更适合作为 Agent 入口层或补充探索工具，而不是直接替换全部生产采集链路。 ## 工程原则观察从 KISS 看，BrowserAct 的索引化交互很值得借鉴。它没有让 Agent 解析整棵 DOM，而是把可操作元素压缩成模型更容易理解的文本索引，降低了行动复杂度。从 YAGNI 看，项目把一次性读取、完整浏览器操作、长期 Skill 生成分成不同路径。只读页面用 `stealth-extract`，需要交互才创建 session，需要重复规模化才上 Skill Forge，这种分层避免了所有任务都走重流程。从 SOLID 看，`browser-act` 入口 Skill、CLI 浏览器能力、Skill Forge 生成器、Solutions Catalog 各自职责清晰。底座负责“能操作浏览器”，Forge 负责“把操作沉淀为 Skill”，Solutions 负责“可直接安装的场景模板”。从 DRY 看，Skill Forge 的价值就是减少重复探索。一个网站的 API 路径、参数、分页、字段映射一旦验证，就沉淀进脚本和 SKILL.md，而不是每次都让 Agent 重新观察页面。潜在风险也在这里：如果生成的 Skill 没有良好的测试、版本记录和失败处理，它会把“重复探索成本”变成“重复维护成本”。所以 Skill Forge 的自测、自修复和重新探索机制，是它能不能长期成立的关键。 ## 一个判断 BrowserAct Skills 的真正价值，不只是“让 Agent 打开浏览器”，而是把浏览器拆成了 Agent 能理解、能选择、能隔离、能复用的几个层次。对个人开发者，它像一个增强版浏览器工具箱：遇到 WebFetch 抓不到、普通脚本不好写、登录态难复用的网页，可以把 Agent 接进真实浏览器。对团队来说，它更像一个浏览器自动化能力平台：底层运行时负责身份和会话，Skill Forge 负责把探索过程产品化，Solutions Catalog 则提供可直接复用的场景入口。如果未来 Agent 真的要承担更多网页侧工作，类似 BrowserAct 这种“面向模型设计浏览器接口”的项目会越来越重要。因为 Agent 不缺“能点网页”的能力，缺的是在真实网页世界里稳定、可控、可复用地完成任务。 --- ## 声明本文由山行整理自：browser-act/skills GitHub 仓库[1]，如果对您有帮助，请帮忙点赞、关注、收藏，谢谢～ **参考链接** [1] browser-act/skills GitHub 仓库: https://github.com/browser-act/skills

2026-07-11