【开源】专为「探路+编码」范式设计的全新浏览器工具集+Skills

2026-04-03

读过我前两篇公众号的朋友大概知道，两周之前我们就把浏览器自动化工具库bridgic-browser给开源了。经过大家的反馈和最近两周的打磨，目前已经升级到v0.0.3版本，现在各方面比较稳定了。

点击这里下载源码 ➜ https://github.com/bitsky-tech/bridgic-browser/

欢迎大家star，提交issue甚至提交PR。朋友们的关注是我们继续努力的动力❤️

今天我正式给各位朋友讲讲这个开源库本身的故事（和背后的思考）。

TL;DR

• 一切来源于对未来两个趋势的判断： AI与软件边界的重塑以及未来世界的AI互联。bridgic-browser是朝着这个未来迈进过程中的一个产物。
• bridgic-browser这个库本身的关键feature：体现「先探路、再编码」范式的Skill；一一对应的CLI和Python工具集；支持语义不变性的可预测ref生成算法；用户登录状态保持；等等。
• 最后：一个实际案例的生成过程展示（视频）。

bridgic-browser的产生背景

第一点，AI与软件的边界确实在重塑。长远来看，所有可能被自动化的工作流，未来肯定会被AI自动化掉。但是，这里的具体路径上存在两个不同的剧本：

• AI Coding。典型的例子是Claude Code、Cursor。
• AI即时操控软件。典型的例子是OpenClaw、CoWork。

前者（AI Coding），让生产软件（包括自动化软件）更廉价。后者，将自然语言即时转变为行动，直接成为软件的某种替代。

但是，从大的视角看，两种方式都不完美。AI Coding提升了研发效率，也是目前AI落地到B端最重要的一种形式。不过就像我们在上一篇所讲的，类似Claude Code这样的coding agent，就像一台精密的仪器。语言天生的模糊性，需要专业工程师在一个一个的commit中去填补。AI即时操控软件看起来很美好，但它有几个致命的问题：稳定性、安全性、大量消耗token。总之，这些缺陷使得，前者局限在软件工程领域（主要是编码领域）；后者局限在C端个人桌面上。

所有这些，影响了AI技术向更广、更加纵深的场景中去应用。

所以说，「先探路、再编码」作为一种新的范式，是未来构建自动化工作流、快速将语言转变为行动的一种很有前景的思路。因为它结合了前面两者的优势：AI通过即时操控工具进行探路，为了后续的AI Coding过程铺平道路，减少猜测、增加客观依据，从而增加一次性编码成功的概率；而通过AI Coding将自动化工作流的逻辑尽量「固化」，提升了稳定性和安全性，同时大大降低token消耗（有时候甚至是零token）。

第二点，在未来世界中，软件和硬件都会通过AI互联起来。我们这里先只讨论软件。一方面，大量软件已经开始CLI化，便于AI去操控。另一方面，以前封闭的体系，包括技术打通难度大的，以及不想开放的，都有可能在AI能力突破后被打破。未来是个高度互联、允许相互编排的世界。但我们今天谈的重点不是这个。

作为未来超级自动化的一个重要组成部分，对于浏览器的自动化自然也需要一套趁手的工具。这个就是bridgic-browser产生的直接原因。而在bridgic-browser设计和编写的过程中，我们始终围绕着「先探路、再编码」这一范式，期望它能够通过不断优化持续降低自动化工作流构建和维护成本。

浏览器自动化的痛点

我们回到浏览器自动化技术。这项技术其实涵盖了非常多的场景，包括但不限于网页爬取、E2E测试、RPA、运维监控等等。所有这些场景都面临一个痛点：当页面结构变化的时候，以前写好的程序就不工作了，必须重写。这个问题在测试场景下尤其严重，因为待测试的页面本身也在快速迭代。甚至是刚用了一次的测试程序，连第二次使用的机会都没有。

很显然，借助当前的AI技术栈，应该让AI来产生代码，从而降低代码修改成本。但是呢，一方面，AI生成是否真正可控这本身就是个问题；另一方面，这里还存在一个待解的问题：AI在真正访问页面之前，它是不知道页面内容的（其实所有基于CLI的自动化生成都有这个问题）。这也是为什么需要「先探路、再编码」的客观基础。

我们建议的做法，是把自动化任务描述成自然语言，存到一个名叫task.md的markdown文件中。类似下面这个样子：

然后在Claude Code中调用bridgic-browser skill来一次性生成程序。输入如下命令：

/bridgic-browser 执行 @task.md 里面的任务

接下来bridgic-browser skill会引导Claude Code完成「先探路、再编码」的整个过程，把程序生产出来（中间一路按1或2，放行各种执行权限即可）。这样的话，实际需要维护的，就只有task.md。等到后面页面结构发生变化，或者任务需求本身有变动的时候，就可以再次执行上述过程，快速把最新的程序重新生成出来。

bridgic-browser的关键特性

【两套平行工具集】

bridgic-browser提供了非常丰富的浏览器控制工具，目前分为15大类总共67个工具。为了支持「先探路、再编码」，这67个工具分为平行的两套来提供，一套是CLI的，一套是Python的。前者用于探路，后者用于编码。

67个CLI工具如下：

CLI工具与Python工具的对应关系如下（维护在了skill里面）：

【探路+编程的Skill】

npx skills add bitsky-tech/bridgic-browser --skill bridgic-browser

基于bridgic-browser的API，这个skill会引导Claude Code （或其他coding agent）完成环境初始化，然后按照「先探路、再编码」的方式工作。而且，关于浏览器自动化过程中的一些「经验」，比如碰到登录页面怎么处理，比如碰到循环列表怎么操作，是打开新Tab还是在原来Tab下去导航，再比如如何尽量模拟人的操作频率，避免被封禁，等等。

【支持语义不变性的ref生成算法】

这个特性是bridgic-browser的一个特色。

很多朋友可能知道，网页结构有两套表示：一个是DOM，一个是无障碍树（accessibility tree）。AI驱动浏览器的时候，使用后者会效果更好，因为它通常带有了更多计算后的操作语义信息。这里通常要解决两个问题：第一，提供页面的一种快照表示，包含无障碍树+ref引用。第二，模型规划下一步后，会确定要操作的ref，然后根据ref精确定位到页面元素去操作。

现在很多AI浏览器方案都采用动态ref的形式。也就是说，页面每次加载，无障碍树所有节点的ref都会重新生成。但为了配合「先探路、再编码」的范式，bridgic-browser的ref并不是完全动态的，而是采用了一种新的生成算法，保证页面结构上的非动态元素的ref在页面重新加载后保持不变。这个做法有利于coding agent在探路后使用静态的ref来做代码生成。

【登录状态保持】

bridgic-browser默认支持登录状态保持。在自动化程序首次执行时，允许通过类似human-in-the-loop的机制让用户来登录一次，bridgic-browser会把包含登录状态在内的用户级数据保存下来。后续程序再执行时就保持原来的登录状态执行，不需要人来处理。

【其他特性】

bridgic-browser还针对一些实际场景做了很多细节优化。比如：

• 默认支持Stealth模式。在无头模式（headless mode）下使用 50+ Chrome 参数 + JavaScript patches，在有头模式（headed mode）下仅使用 ~11 个标志，以匹配真实 Chrome 的指纹特征。
• 网页快照支持获取到嵌套iframe内部的信息。有些富文本编辑器或页面嵌入视频，以及Google的reCAPTCHA都是iframe嵌入形式存在的。
• 更适合AI的网页快照返回和保存机制。默认行为下，当页面数据较少时，快照直接返回；而当面超过阈值时，快照数据会存入文件，避免撑爆AI Agent上下文。
• 网页快照支持获取placeholder。
• 交互模式下网页快照包含link地址信息。
• ref定位算法支持优雅降级，6级策略覆盖所有结构场景，提高AI操作容错性。

生成过程实例展示

下面录制了一个探路+代码生成的例子。它的主要功能是到Andrej Karpathy的X (twitter) 主页上获取最近一段时间的动态（中间涉及登录过程）。task.md内如如下所示：

视频参见# 自动化工作流生成示例。

小结

本篇出现的task.md任务描述示例，可以到GitHub上下载，然后测试体验：

https://github.com/bitsky-tech/bridgic-examples/tree/main/browser-automation-examples

另外注意：本文介绍的skill既可以用在Claude Code中，也可以与OpenClaw等产品配合使用。当然具体效果（生成成功率和产物质量）会随着模型不同而有些差异。效果最好的目前还是Claude Code。

目前相关的源码和方案仍然在快速迭代中，欢迎试用、留言讨论。您的反馈是推动项目进展的重要动力。感谢star：

点击这里下载源码 ➜ https://github.com/bitsky-tech/bridgic-browser/

（正文完）

其它精选文章：

• 不用手写一行代码，10分钟立等可取，爬取twitter和github动态
• 使用OpenClaw时如何降低token消耗？分享一个浏览器自动化的skill
• 过年了，聊聊AI和人文
• AI智能体纪元或将从2026开始归零
• 【开源】我亲手开发的一个AI框架，谈下背后的思考
• AI Agent时代的软件开发范式
• AI Agent的概念、自主程度和抽象层次
• 科普一下：拆解LLM背后的概率学原理
• 分布式领域最重要的一篇论文，到底讲了什么？