浏览器自动化操作员·一句话任务让Agent自己点填翻页抓取

浏览器自动化操作员 · 一句话任务操控网页

## ⚠️ 先申请你自己的 API Key
本 Skill 不内嵌任何密钥,也不代付费用。 请到
算力集市 api.a7w.cn 注册并创建你自己的 API Key
(新用户有赠送点数,可以先免费试跑几条)。
拿到后填进环境变量 A7W_API_KEY,或直接传给 --key 参数。
请勿使用他人提供的 Key —— 用量与费用都记在 Key 所属账号上。

它解决的是「这个网页上的活儿,你帮我干完」——不是让你写选择器,
而是你写一句任务描述,Agent 自己看着页面决定下一步点哪、填什么、翻到第几页,
最后把结果交回来。

适合那些没有 API、只有网页界面的场景:后台系统、比价、批量填表、数据抄录。

它跟固定脚本最大的区别是抗变化:页面改版不会像写死的选择器那样整条流水线断掉。
而它背后每一步要的模型调用,换成 api.a7w.cn 的 OpenAI 兼容入口,就是一个 base_url 的事。

你最关心答案
多少钱按 tokens 计费(点数/百万 tokens,输入输出分别计价),1 元 = 100 点;每一步页面操作都是一次调用
要多久每步一次模型调用,一个多步任务通常几十秒到几分钟
要装什么什么都不用装。包里自带零依赖客户端,或者直接用 curl / 任意 OpenAI SDK
模型从哪来一个 base_url + 一个 Key,可调 75 个在架模型,含支持视觉的模型可直接看截图
能商用吗可以。生成内容的使用与合规责任由使用者承担

一、三分钟跑通

第一步:拿到你自己的 Key

到 api.a7w.cn 注册,创建一个 API Key(形如 sk-...),填进环境变量:

export A7W_API_KEY=sk-你的key      # Windows: $env:A7W_API_KEY="sk-你的key"

第二步:先用一条 curl 确认网关通

curl -sS -X POST "https://api.a7w.cn/api/v1/chat/completions" \
  -H "Authorization: Bearer $A7W_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{"model":"DeepSeek-V4-Flash","messages":[{"role":"user","content":"你好"}]}'

成功返回体形如 {"code":1,"msg":"success","data":{...choices...}}。

第三步:把 Agent 的模型入口指向它

任何兼容 OpenAI 协议的框架 / SDK,只改两个字段:

BASE_URL = "https://api.a7w.cn/api/v1"
API_KEY  = "sk-你的key"

框架里的模型对象通常长这样(示意):

# 只换 base_url 与 api_key,其余调用方式不变
llm = ChatOpenAI(
    model="DeepSeek-V4-Flash",
    base_url="https://api.a7w.cn/api/v1",
    api_key="sk-你的key",
)

第四步:挑模型 —— 这一步决定成功率

浏览器任务里模型要看懂页面,所以模型选择比别的场景更关键:

任务类型建议例
纯文本 DOM 抽取(结构化列表、表格)快模型就够DeepSeek-V4-Flash、Qwen3.6-Flash
要看截图判断(布局复杂、图形化按钮)支持视觉的模型Qwen3-VL-30B-A3B-Instruct、ERNIE-4.5-Turbo-VL、qwen3.6-plus
多步规划、长链路强模型DeepSeek-V4-Pro、GLM-5.2、Kimi-K2.6

第五步:零安装客户端也能直接跑

python3 scripts/a7w.py whoami                       # 验证 Key
python3 scripts/a7w.py call chat completions \
  --body '{"model":"DeepSeek-V4-Flash","messages":[{"role":"user","content":"你好"}]}'

换模型只需改 model 字符串:不用换 base_url、不用换 Key、账单还是同一份。


二、包里有什么

sanjianke-browser-operator/
├── SKILL.md                    本文件
├── README.md
├── LICENSE.md
├── references/
│   ├── 网页操作指南.md          任务描述写法、模型挑选、真实浏览器与无头差异、成本估算
│   ├── api-openai-compat.md    OpenAI 兼容入口:base_url、鉴权、参数、流式、错误码
│   ├── api-apps-tasks.md       应用任务入口:/api/v1/apps/<应用>/<接口> 与异步生命周期
│   ├── getting-started.md      注册、领 Key、配置、配额与白名单
│   └── 通用说明.md              权限、计费口径、排错
└── scripts/
    └── a7w.py                  零依赖客户端(库 + 命令行,只用 Python 标准库)

零安装用法

export A7W_API_KEY=sk-你的key

python3 scripts/a7w.py whoami                     # 验证 Key 与可用能力数
python3 scripts/a7w.py apps                       # 列出全部能力
python3 scripts/a7w.py call chat completions \
  --body '{"model":"DeepSeek-V4-Flash","messages":[{"role":"user","content":"你好"}]}'

三、三种接入姿势

姿势 A:框架的模型对象(最省事)

llm = ChatOpenAI(
    model="Qwen3-VL-30B-A3B-Instruct",       # 浏览器任务建议上视觉模型
    base_url="https://api.a7w.cn/api/v1",
    api_key="sk-你的key",
)

类名与参数名以你所用框架的当前版本为准(有些写作 ChatOpenAI,
有些写作 ChatOpenAI + base_url 字典)。值永远是同一个网关地址与同一把 Key。

姿势 B:纯 Python,用 OpenAI SDK 驱动「看页面 → 决定 → 执行」

import os
from openai import OpenAI

client = OpenAI(
    base_url="https://api.a7w.cn/api/v1",
    api_key=os.environ["A7W_API_KEY"],
)

SYSTEM = (
    "你是一个网页操作员。根据当前页面内容,输出下一步动作,"
    "格式为 JSON:{\"action\":\"click|type|scroll|extract|done\","
    "\"target\":\"...\",\"value\":\"...\",\"result\":\"...\"}。"
    "不要输出任何解释。"
)

def next_step(page_text: str, task: str, history: list) -> str:
    resp = client.chat.completions.create(
        model="Qwen3-VL-30B-A3B-Instruct",
        messages=[
            {"role": "system", "content": SYSTEM},
            {"role": "user",
             "content": "任务:%s\n已执行:%s\n当前页面:\n%s"
                        % (task, history, page_text)},
        ],
    )
    return resp.choices[0].message.content

def run(task: str, max_steps: int = 15) -> str:
    """主循环:看页面 → 让模型决定 → 执行 → 直到 done 或到步数上限。"""
    history, page_text = [], ""
    for _ in range(max_steps):
        action = next_step(page_text, task, history)
        history.append(action)
        if "\"done\"" in action:                 # 模型说干完了
            return action
        page_text = your_browser_execute(action) # 由你接的浏览器执行并回传新页面
    return "达到步数上限,已停止"

三件事必须做对:

  1. 步数上限 —— 没有它,任务失败时模型会一直试,账单一直涨。
  2. 只读优先 —— 任务描述里写清「不要点击提交 / 支付 / 删除类按钮」。
  3. 结构化动作 —— 让模型输出 JSON 动作,你的代码负责执行,

比让模型自由发挥稳定得多。

姿势 C:走应用任务入口

除了 OpenAI 兼容的大模型网关,平台还有一条应用任务入口,用于生成类能力
(语音、图像、视频、文档问答等 21 个应用):

python3 scripts/a7w.py apps
python3 scripts/a7w.py schema voice_tts
python3 scripts/a7w.py call voice_tts tts --body '{"text":"你好世界"}'

路径统一是 /api/v1/apps/<应用代号>/<接口代号>,两个代号都取自接口返回的
code 字段(是下划线,不是连字符)。不要拿平台返回的 endpoint_path 去拼 URL。


四、网页操作要点

任务描述怎么写

写得好的任务写得糟的任务
「打开后台的订单页,把本月所有订单号与金额抄下来,输出成表格;只读不点任何提交按钮」「看看后台」
「在这个比价页找到价格最低的那一项,把名称、价格、链接取回来」「找最便宜的」
「把这页表格的 3 列数字抄下来,输出 JSON」「抓一下数据」

四要素:目标 + 边界 + 输出格式 + 只读/可写。

  • 目标:要拿到什么。
  • 边界:只在哪几页 / 哪几个区域操作。
  • 输出格式:JSON、表格还是纯文本。
  • 只读/可写:明确「不要点提交、支付、删除」。

模型挑选依据

浏览器任务的模型分工很明确:

页面形态需要什么建议
结构化 DOM(列表、表格、表单)文本理解快模型即可
图形化界面、复杂布局视觉理解支持视觉的模型
多步跳转、需要规划推理与长上下文强模型

落地建议:先用快模型跑,失败率高的步骤再换视觉模型或强模型。
两个阶段可以在同一个任务里混用,账单还是同一份。

真实浏览器与无头环境的差异

环境适用注意
本机带界面的浏览器需要你已登录的后台、复杂交互登录态来自你自己的浏览器配置
无头浏览器(服务器 / CI)公开页面、批量任务没有显示器;复杂页面渲染可能不同
云端浏览器需要固定出口环境、批量并发属于额外服务,注意成本

本地跑通、服务器跑不起来是最常见的一类问题:先确认目标环境里有没有显示器与浏览器依赖,
没有就走无头模式或把浏览器放到云端。

成本估算

单次任务调用数 ≈ 页面步数
单次任务成本   ≈ 步数 × 单步 tokens(含页面内容)× 模型单价

页面内容是大头:一页 HTML 可能几千到上万 tokens。
缩小范围(只传目标区域)、限制步数、先把任务描述写精确,三招一起用最省。


五、常见坑

坑表现怎么避
拿 code == 0 判断成功明明成功却判成失败平台成功码是 1({"code":1,"msg":"success"})
把 Key 写进代码泄漏即等于余额泄漏Key 只从环境变量或 ~/.a7w/config.json 读
没设步数上限任务失败时一直重试,账单失控设最大步数,到顶就停并报告
任务描述含糊Agent 乱点、结果不对写清目标、边界、输出格式与只读约束
让 Agent 执行不可逆操作误提交、误支付只读优先;写操作必须人工确认
所有步骤都用强模型成本翻几倍,效果提升有限先快模型;难点再换视觉 / 强模型
页面内容整页塞进提示单步 tokens 爆炸只传目标区域或精简后的页面文本
本地能跑、服务器不能跑无头环境没有显示器或浏览器依赖改无头模式,或把浏览器放到云端
要登录的页面卡在登录框新开的浏览器是干净配置用你本机已登录的浏览器配置,或先在目标环境完成一次登录
model 名靠猜报 404 模型不存在调用前读一次模型清单,取值以接口返回为准
合规没确认就开跑违反目标站点条款或数据合规要求跑之前确认授权与站点规则;只用自有或已授权的账号与数据

六、计费

动作口径
Agent 的每一步按 tokens 计,输入与输出分别计价;页面内容是输入大头
换模型换 model 即换单价;账单仍是同一份
应用任务类接口按各接口口径(点数/次、点数/分钟、点数/张等)
  • 1 元 = 100 点,1 点 = ¥0.01。
  • 先冻结、后结算:调用失败直接退款,异步任务失败冻结点数全额退回。
  • 平台同时给出标准价与租户价字段(tenant_*,平台侧报价),两者都未必等于实际结算价;以返回里的 data.usage.points_cost 为准;

每次返回的 data.usage 就是本次真实用量,可直接对账。

  • 实时查规则:先 python3 scripts/a7w.py apps 拿应用清单,再逐个 schema <app> 读 tenant_*。

省钱三件事:页面内容只传目标区域;步数上限设小;先用快模型、难点再上强模型。


七、权限与边界

能力是否申请用途
网络访问申请调用 api.a7w.cn 的模型网关,并访问你要操作的目标网页
读取文件仅读取你指定的输入文件与 --json-file 请求体作为接口入参
写入文件仅在传入 --out 时保存返回的 JSON 或产物
凭证读取你自己提供的 API Key从环境变量或 ~/.a7w/config.json 读取
子进程 / 后台常驻视情况本地模式会拉起浏览器进程

不内嵌任何密钥。 请求只发往 api.a7w.cn 与你要操作的目标站点,不发送到其他任何地址。

  • 不提供 Key、不代付费用:Key 必须你自己在 api.a7w.cn 申请
  • 不替代授权与合规审查:只在自有账号或已获授权的页面上操作;

目标站点的服务条款、robots 与数据合规由使用者自行确认

  • 写操作要人工确认:提交、支付、删除一类不可逆动作不要交给 Agent 自动执行
  • 不承诺模型清单:模型上下架频繁,调用前先读一次模型清单

关于这个 Skill

作者亲测实操后发布,下载后可直接使用,自用商用都可以。

所有 AI 能力都走 算力集市 api.a7w.cn —— 一把 API Key 打通
大模型、语音、图像、视频、数字人等全部算力,注册即送点数,按量计费、没有月费。

你可能想问答案
要不要额外部署不用。下载本包即可使用,不必去别处找源码
怎么开始到 api.a7w.cn 注册领 Key → 填进 A7W_API_KEY → 一条命令跑起来
能不能商用可以
遇到问题找谁见文末「联系我们」,作者本人答疑

使用中碰到任何问题 —— 报错、效果不理想、想省钱、想批量 —— 都欢迎加微信聊。
加好友时说一下是从哪个 Skill 找过来的,直接给你配套的示例。


联系我们

  • 技术微信:9872659 —— 加好友时说一下是从哪个 Skill 找过来的,直接给你配套的 API Key 与能跑的示例。
  • 要算力 / 要 API Key:算力集市 · 注册领 API Key —— 一个 Key 调用全部 AI 算力,注册、充值、创建 Key 都在这里。
  • 更多 AI 插件与接口:AI 插件市场。

相关链接

链接地址说明
算力集市 · 注册领 API Keyapi.a7w.cn一个 Key 调用全部 AI 算力;注册、充值、创建 Key 都在这
AI 插件市场aigc.a7w.cn浏览全部 AI 插件与接口说明
三剪客 · 一句话批量出片ks.a7w.cn短剧二创 / 影视解说 / 矩阵号批量混剪桌面客户端
视频超清 · 在线批量超分vr.a7w.cn网页版视频超分,批量处理,最高 4K
0人公司 · AI Agent 平台a7w.cn主站,了解整套 AI Agent 生态

同类文章