browser-automation · coco-research — скилл для Claude Code: обзор и установка
Скилл browser-automation автоматизирует действия в браузере: переход по ссылкам, заполнение веб-форм, клики по элементам и снятие скриншотов.
MIT ★ 328 обновлён 2026-10-29
npx skills add coco-research/coco --skill browser-automation -a claude-codeЧто делает browser-automation
Скилл координирует работу агента с веб-страницами через два провайдера. Первый — локальный agent-browser на базе Playwright CLI для локальных тестов, адресов file:// и симулятора iOS. Второй — облачный сервис agentic-browser на платформе inference.sh, который берут для записи видео или запуска более двух параллельных сессий.
Основной рабочий цикл строится на ссылках @e: агент открывает страницу, запрашивает интерактивные элементы через snapshot -i, взаимодействует с ними по присвоенным идентификаторам и обновляет снимок. Любой переход по ссылке или перезагрузка инвалидирует прежние ссылки @e, поэтому после изменений всегда нужен повторный снапшот.
Локальный режим поддерживает сохранение состояния авторизации в JSON, запуск в видимом окне с ключом --headed и работу с мобильным Safari в Xcode. Для симулятора iOS на macOS понадобятся установленный Xcode и пакет Appium с драйвером xcuitest.
Какие задачи решает
- заполнить формы авторизации и сохранить сессию в файл
- прокликать пользовательский сценарий через интерфейс сайта
- снять скриншот или сохранить страницу в формате PDF
- протестировать мобильный интерфейс в iOS Simulator
Примеры запросов агенту
- Открой https://example.com/form, заполни поля email и пароль, затем нажми кнопку отправки
- Сделай скриншот всей страницы https://example.com и сохрани его в файл
- Запусти Safari в симуляторе iPhone 16 Pro и открой локальный тестовый сайт
Как установить browser-automation
1Через Skills CLI (Vercel)
npx skills add coco-research/coco --skill browser-automation -a claude-code2Вручную: положить файлы
~/.claude/skills/browser-automation/SKILL.mdПапка скилла целиком; для одного проекта — .claude/skills/browser-automation/
1Через Skills CLI (Vercel)
npx skills add coco-research/coco --skill browser-automation -a codex2Вручную: положить файлы
.agents/skills/browser-automation/SKILL.mdДля всех проектов — ~/.agents/skills/
1Через Skills CLI (Vercel)
npx skills add coco-research/coco --skill browser-automation -a cursor2Вручную: положить файлы
.cursor/skills/browser-automation/SKILL.mdCursor читает и .agents/skills/, и .claude/skills/
1GitHub CLI
gh skill install coco-research/coco skills/browser-automation2Вручную: положить файлы
.github/skills/browser-automation/SKILL.md1Через Skills CLI (Vercel)
npx skills add coco-research/coco --skill browser-automation -a gemini-cli2Командой платформы
gemini skills install https://github.com/coco-research/coco --path skills/browser-automationВручную: положить файлы
.devin/skills/browser-automation/SKILL.mdСтарый путь .windsurf/skills/ тоже читается
Claude.ai
Упакуйте папку в zip и загрузите в Settings → Capabilities → Skills
По шагам, с командами для каждой платформы: Как установить скилл в Claude Code: пять способов
Вопросы о browser-automation
Как установить browser-automation в Claude Code?
Выполните команду npx skills add coco-research/coco --skill browser-automation -a claude-code. Конфигурация сохранится в файле ~/.claude/skills/browser-automation/SKILL.md.
Что делает этот скилл?
Даёт агенту команды для открытия страниц, взаимодействия с элементами через ссылки @e, работы с параллельными сессиями и сохранения скриншотов.
В чём разница между провайдерами agent-browser и agentic-browser?
Локальный agent-browser запускается через Playwright на машине разработчика и подходит для file:// или iOS Simulator. Облачный agentic-browser через infsh запускают при записи видео или при необходимости держать больше двух сессий параллельно.
Исходный текст
SKILL.md · MIT
--- name: browser-automation description: "Use when the agent must open a URL, fill a form, click through a flow, screenshot a page, or extract data from a live page. Covers two providers (agent-browser local CLI, agentic-browser cloud) and the shared @e ref workflow." allowed-tools: Bash(agent-browser:*), Bash(infsh *) domain: engineering --- # Browser Automation Browser automation for AI agents with two provider options. Both share the same core workflow: navigate, snapshot, interact using `@e` refs, re-snapshot after changes. | Provider | Runtime | Best For | |----------|---------|----------| | agent-browser | Local (Playwright CLI) | Local testing, iOS Simulator, file:// URLs | | agentic-browser | Cloud (inference.sh) | Video recording, cloud execution, parallel sessions | **Default to agent-browser; use agentic-browser only when the task needs recording, cloud IPs, or more than 2 parallel sessions.** They share the same `@e` ref workflow. --- ## Core Workflow (Both Providers) Every browser automation follows this pattern: 1. **Navigate** — Open a URL 2. **Snapshot** — Get `@e` refs for interactive elements 3. **Interact** — Use refs to click, fill, select 4. **Re-snapshot** — After navigation or DOM changes, get fresh refs **Important: Refs are invalidated after navigation.** Always re-snapshot after clicking links/buttons, form submissions, or dynamic content loading. --- ## Provider 1: agent-browser (Local CLI) ### Quick Start ```bash agent-browser open https://example.com/form agent-browser snapshot -i # Output: @e1 [input type="email"], @e2 [input type="password"], @e3 [button] "Submit" agent-browser fill @e1 "[email protected]" agent-browser fill @e2 "password123" agent-browser click @e3 agent-browser wait --load networkidle agent-browser snapshot -i # Check result ``` ### Essential Commands ```bash # Navigation agent-browser open <url> # Navigate agent-browser close # Close browser # Snapshot agent-browser snapshot -i # Interactive elements with refs agent-browser snapshot -i -C # Include cursor-interactive elements agent-browser snapshot -s "#selector" # Scope to CSS selector # Interaction (use @refs from snapshot) agent-browser click @e1 # Click element agent-browser fill @e2 "text" # Clear and type text agent-browser type @e2 "text" # Type without clearing agent-browser select @e1 "option" # Select dropdown option agent-browser check @e1 # Check checkbox agent-browser press Enter # Press key agent-browser scroll down 500 # Scroll page # Get information agent-browser get text @e1 # Get element text agent-browser get url # Get current URL agent-browser get title # Get page title # Wait agent-browser wait @e1 # Wait for element agent-browser wait --load networkidle # Wait for network idle agent-browser wait --url "**/page" # Wait for URL pattern agent-browser wait 2000 # Wait milliseconds # Capture agent-browser screenshot # Screenshot to temp dir agent-browser screenshot --full # Full page screenshot agent-browser pdf output.pdf # Save as PDF ``` ### Authentication with State Persistence ```bash # Login once and save state agent-browser open https://app.example.com/login agent-browser snapshot -i agent-browser fill @e1 "$USERNAME" agent-browser fill @e2 "$PASSWORD" agent-browser click @e3 agent-browser wait --url "**/dashboard" agent-browser state save auth.json # Reuse in future sessions agent-browser state load auth.json agent-browser open https://app.example.com/dashboard ``` ### Parallel Sessions ```bash agent-browser --session site1 open https://site-a.com agent-browser --session site2 open https://site-b.com agent-browser session list ``` ### Visual / Debugging ```bash agent-browser --headed open https://example.com agent-browser highlight @e1 agent-browser record start demo.webm ``` ### Local Files ```bash agent-browser --allow-file-access open file:///path/to/document.pdf agent-browser --allow-file-access open file:///path/to/page.html agent-browser screenshot output.png ``` ### iOS Simulator (Mobile Safari) ```bash # List available iOS simulators agent-browser device list # Launch Safari on a specific device agent-browser -p ios --device "iPhone 16 Pro" open https://example.com # Same workflow — snapshot, interact, re-snapshot agent-browser -p ios snapshot -i agent-browser -p ios tap @e1 agent-browser -p ios fill @e2 "text" agent-browser -p ios swipe up agent-browser -p ios screenshot mobile.png agent-browser -p ios close ``` **Requirements:** macOS with Xcode, Appium (`npm install -g appium && appium driver install xcuitest`) ### Semantic Locators (Alternative to Refs) ```bash agent-browser find text "Sign In" click agent-browser find label "Email" fill "[email protected]" agent-browser find role button click --name "Submit" agent-browser find placeholder "Search" type "query" agent-browser find testid "submit-btn" click ``` --- ## Provider 2: agentic-browser (Cloud via inference.sh) ### Quick Start ```bash # Install CLI — do not pipe a remote script to sh from this skill. # Fetch, inspect, then run only after the user explicitly confirms: curl -fsSL https://cli.inference.sh -o /tmp/infsh-install.sh # review /tmp/infsh-install.sh, then: bash /tmp/infsh-install.sh && infsh login # Open a page infsh app run agentic-browser --function open --input '{"url": "https://example.com"}' --session new ``` ### Core Functions | Function | Description | |----------|-------------| | `open` | Navigate to URL, configure browser (viewport, proxy, video) | | `snapshot` | Re-fetch page state with `@e` refs after DOM changes | | `interact` | Perform actions using `@e` refs | | `screenshot` | Take page screenshot (viewport or full page) | | `execute` | Run JavaScript code on the page | | `close` | Close session, returns video if recording enabled | ### Interact Actions | Action | Description | Required Fields | |--------|-------------|-----------------| | `click` | Click element | `ref` | | `dblclick` | Double-click | `ref` | | `fill` | Clear and type text | `ref`, `text` | | `type` | Type without clearing | `text` | | `press` | Press key (Enter, Tab) | `text` | | `select` | Select dropdown option | `ref`, `text` | | `hover` | Hover over element | `ref` | | `check` / `uncheck` | Toggle checkbox | `ref` | | `drag` | Drag and drop | `ref`, `target_ref` | | `upload` | Upload file(s) | `ref`, `file_paths` | | `scroll` | Scroll page | `direction`, `scroll_amount` | | `back` | Go back in history | - | | `wait` | Wait milliseconds | `wait_ms` | | `goto` | Navigate to URL | `url` | ### Full Example ```bash # Start session RESULT=$(infsh app run agentic-browser --function open --session new --input '{ "url": "https://example.com/login" }') SESSION_ID=$(echo $RESULT | jq -r '.session_id') # Fill and submit infsh app run agentic-browser --function interact --session $SESSION_ID --input '{ "action": "fill", "ref": "@e1", "text": "[email protected]" }' infsh app run agentic-browser --function interact --session $SESSION_ID --input '{ "action": "fill", "ref": "@e2", "text": "password123" }' infsh app run agentic-browser --function interact --session $SESSION_ID --input '{ "action": "click", "ref": "@e3" }' # Re-snapshot after navigation infsh app run agentic-browser --function snapshot --session $SESSION_ID --input '{}' # Close when done infsh app run agentic-browser --function close --session $SESSION_ID --input '{}' ``` ### Video Recording ```bash # Start with recording enabled SESSION=$(infsh app run agentic-browser --function open --session new --input '{ "url": "https://example.com", "record_video": true, "show_cursor": true }' | jq -r '.session_id') # ... perform actions ... # Close to get the video file infsh app run agentic-browser --function close --session $SESSION --input '{}' # Returns: {"success": true, "video": <File>} ``` ### Proxy Support ```bash infsh app run agentic-browser --function open --session new --input '{ "url": "https://example.com", "proxy_url": "http://proxy.example.com:8080", "proxy_username": "user", "proxy_password": "pass" }' ``` ### File Upload ```bash infsh app run agentic-browser --function interact --session $SESSION --input '{ "action": "upload", "ref": "@e5", "file_paths": ["/path/to/file.pdf"] }' ``` ### JavaScript Execution ```bash infsh app run agentic-browser --function execute --session $SESSION --input '{ "code": "document.querySelectorAll(\"h2\").length" }' # Returns: {"result": "5", "screenshot": <File>} ``` --- ## Common Patterns (Both Providers) ### Form Submission 1. Open the form URL 2. Snapshot to get element refs 3. Fill each field using refs 4. Click submit button 5. Wait for navigation/network idle 6. Re-snapshot to verify result ### Data Extraction 1. Navigate to target page 2. Snapshot interactive elements 3. Get text from specific elements 4. Optionally use JSON output for parsing ### Authentication Flow 1. Navigate to login page 2. Fill credentials 3. Handle 2FA if prompted 4. Save session state for reuse 5. Load saved state in future sessions
© coco-research · MIT · coco-research/coco
Похожие скиллы
Все скиллы по теме «Браузер и парсинг» →Сначала — browser-automation от других авторов.