浏览器运行时

AnySoul 可以让你的 Agent 浏览网页并执行网页动作，但目前有 两条不同的运行时路径：

1. 网页端 + 浏览器扩展
   • 使用你当前浏览器里的现有身份
   • 在真实浏览器中打开和管理标签页
   • 支持显式的结构化浏览器动作
2. 桌面端
   • 使用 AnySoul 桌面客户端里的本地浏览器运行时
   • 在应用窗口内支持 managed browser tabs
   • 支持同样的显式结构化动作，并在可用时支持更强的语义浏览动作

这篇指南会说明该选哪条路径、每条路径目前能做什么，以及在性能和限制上应该如何理解。

快速选择

如果你想要…	选择…	原因
让 Agent 在你平时使用的浏览器里继续操作	网页端 + 浏览器扩展	复用当前浏览器标签页和你现有的登录身份
使用 AnySoul 自己管理的本地浏览器运行时	桌面端	桌面端拥有本地运行时和 managed tabs
目前最完整的浏览器能力面	桌面端	桌面端除了显式动作外，还支持语义浏览动作
最轻量的安装方式	网页端 + 浏览器扩展	不需要安装桌面客户端

两条运行时目前都支持什么

扩展路径和桌面端路径都支持当前这套显式浏览器动作：

• 打开和激活标签页
• 导航、后退、前进、刷新
• 读取页面状态
• 滚动、聚焦、悬停、点击、双击、右键
• 拖拽
• 按键输入
• 清空、输入、粘贴、复制文本
• 设置勾选状态
• 选择下拉框选项
• 提交表单
• 上传文件
• 等待 selector、文本或 URL 变化
• 提取结构化页面数据
• 关闭标签页

对于大多数确定性网页流程，这套显式动作已经是最好的默认路径。

运行时差异

能力	网页端 + 浏览器扩展	桌面端
使用当前浏览器身份	是	否
AnySoul 管理的 per-agent 本地运行时	否	是
在真实浏览器里打开标签页	是	否
在 AnySoul 应用窗口中使用 managed tabs	否	是
显式结构化浏览器动作	是	是
semantic_act	否	是，当前目标支持时可用
semantic_extract	否	是，当前目标支持时可用

重要限制：扩展不支持语义动作

目前浏览器扩展执行器 不支持：

• semantic_act
• semantic_extract

这意味着扩展路径应被理解成一个 显式动作优先的浏览器运行时。

实际使用上：

• 扩展很适合做 selector 驱动、确定性强的网页流程
• 适合打开标签页、读取页面、填写表单、上传文件、等待页面变化和提取结构化数据
• 不适合 依赖自然语言网页操作，例如“打开通知页签”或“直接按这个 schema 语义提取页面”

如果你需要这些语义动作，请优先使用桌面端路径。

为什么语义动作更重

桌面端可以通过 Stagehand 提供更强的语义浏览动作。

它适合这些情况：

• 页面难以用稳定 selector 精确定位
• 下一步更容易用自然语言描述，而不是用确定性 DOM 动作表达
• 你希望页面交互或页面提取更自适应

但代价也很明确：

• 语义动作通常会 更慢
• 语义动作通常会消耗 更多 token
• 语义动作在浏览器运行时之上又加了一层模型介导的推理

可以这样判断：

• 如果页面控件稳定，而且你知道接下来该点什么、读什么、输入什么，就优先走显式动作
• 如果桌面端运行时可用，而且这个页面很难只靠 selector 表达清楚，再考虑语义动作

身份与登录态

运行时的选择，也决定了 Agent 使用的是哪一套浏览器身份。

网页端 + 浏览器扩展

• Agent 使用的是 当前浏览器里的身份
• 如果你已经在某网站登录，扩展路径会看到同一份登录态
• 没有独立的 per-agent 浏览器 profile

这很方便，但也意味着你不能假设 Agent 有独立隔离的登录沙箱。

桌面端

• 桌面端使用 AnySoul 管理的本地浏览器运行时
• managed browser tabs 会显示在 AnySoul 应用窗口里
• 如果你需要更完整的桌面浏览能力，这条路径更合适

配置：网页端 + 浏览器扩展

如果你想让 AnySoul 在真实浏览器里继续操作，请用这条路径。

1. 安装并连接 AnySoul 浏览器扩展

安装 AnySoul 浏览器扩展，登录，并保持它在线，这样它才能把 live executor presence 回传给 AnySoul。

2. 为该 Agent 启用 browser runtime

打开 Agent 设置 → Browser，为你要使用的 Agent 启用 browser runtime。

3. 在当前 run mode 里打开 browser tools

打开 Run Mode 编辑器，并在那里启用 browser tools。

这两层都需要：

• Agent Browser settings 是这个 Agent 的长期策略
• Run Mode 决定当前这轮是否暴露 browser tools

4. 优先使用显式浏览器流程

由于扩展路径不支持语义动作，建议按这种方式规划：

• open tab
• read page
• click
• type text
• wait
• extract

而不是依赖自然语言浏览器命令。

配置：桌面端

如果你想使用目前最完整的浏览器运行时，请用这条路径。

1. 安装桌面客户端

先参考 安装桌面客户端。

2. 启用本地 browser runtime

在桌面端打开 Settings → Browser Runtime，先启用本地 browser runtime。

3. 为该 Agent 启用 browser runtime

打开 Agent 设置 → Browser，允许该 Agent 使用 browser runtime。

4. 在当前 run mode 里打开 browser tools

打开 Run Mode 编辑器，为当前模式启用 browser tools。

5. 显式动作优先，语义动作按需使用

桌面端支持两类能力：

• 上面列出的显式结构化浏览器动作
• 当前目标支持时可用的语义动作

语义动作适合复杂页面，但如果显式动作已经足够表达流程，它通常会更快、更稳定。

故障排查

Run Mode 里的 browser 开关是锁住的

这通常表示 AnySoul 还无法确认一个 live browser runtime。

请检查：

• 在网页端：浏览器扩展是否已连接且在线
• 在桌面端：Settings → Browser Runtime 里是否已经启用本地 browser runtime

仅有缓存状态并不足以解锁 browser 开关。

Agent Browser 已经打开，但 browser 还是不可用

你需要同时满足：

• Agent 的 browser runtime 已启用
• 当前 run mode 暴露了 browser tools

任意一层没有打开，browser tool 都不会可用。

模型里还是看不到 browser_control

如果两层开关都已经打开，但模型仍然像是没有浏览器工具，请检查：

• 当前 run mode 是否真的包含 browser tools
• 当前是否有 live browser runtime，而不只是缓存状态
• 你是否是在修改运行时或 browser 设置之后重新发起了一次新 run

只有当当前 run、Agent 策略和 live runtime 可用性同时成立时，browser_control 才会被真正注入给模型。

扩展已连接，但看不到 semantic_act / semantic_extract

这是预期行为。

扩展路径当前 不支持 语义浏览动作，所以 AnySoul 不会在该运行时里把它们当成可用选项提供给模型。

桌面端可用，但 browser task 还是失败

请依次检查：

• 桌面端 Browser Runtime 是否已启用
• 该 Agent 是否允许使用 browser runtime
• 当前 run mode 是否暴露了 browser tools
• 当前网页流程是否被表达成该运行时真正支持的动作

Agent 总是想走模糊的浏览器指令

如果你当前走的是扩展路径，请改成显式步骤：

• 先读页面
• 找到目标元素
• 再点击或聚焦
• 再输入或粘贴文本
• 等待下一步状态变化
• 最后提取结果

这会是当前扩展运行时最稳定的使用方式。

如果页面确实很难用 selector 清楚表达，而且你确实需要自然语言浏览器指令，那么更合适的做法是切到桌面端路径，而不是强行让扩展路径承担语义动作。

相关

• 安装桌面客户端 — 桌面端配置
• 浏览器扩展 — Context Bro 指南（这是另一个产品，不是 AnySoul 的浏览器运行时执行器）
• 事件流 — Agent 如何持续感知上下文
• AI Browser Agent 用例 — 面向结果的公开介绍
• 一个浏览器 Agent，两条运行路径 — 浏览器运行时发布说明