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:
- 步数上限 —— 没有它,任务失败时模型会一直试,账单一直涨。
- 只读优先 —— 任务描述里写清「不要点击提交 / 支付 / 删除类按钮」。
- 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 Key | api.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 |