agent-browser

von beltsh

Browser-Automatisierung für KI-Agenten über inference.sh. Webseiten aufrufen, mit @e-Referenzen Elemente bedienen, Screenshots erstellen und Videos aufnehmen. Funktionen: Web-Scraping, Formulare ausfüllen, klicken, tippen, Drag-and-drop, Dateien hochladen, JavaScript ausführen. Einsatzbereiche: Web-Automatisierung, Datenextraktion, Tests, Agenten-Browsing, Recherche. Auslöser: Browser, Web-Automatisierung, Scraping, navigieren, klicken, Formular ausfüllen, Screenshot, im Web browsen, playwright, Headless-Browser, Web-Agent, im Internet surfen, Video aufnehmen

npx skills add https://github.com/beltsh/superpowers --skill agent-browser

Install the belt CLI skill: npx skills add belt-sh/cli

Agentic Browser

Browser automation for AI agents via inference.sh. Uses Playwright under the hood with a simple @e ref system for element interaction.

Agentic Browser

Quick Start

Requires inference.sh CLI (belt). Install instructions

belt login

# Open a page and get interactive elements
belt app run agent-browser --function open --input '{"url": "https://example.com"}' --session new

Core Workflow

Every browser automation follows this pattern:

  1. Open - Navigate to URL, get @e refs for elements
  2. Interact - Use refs to click, fill, drag, etc.
  3. Re-snapshot - After navigation/changes, get fresh refs
  4. Close - End session (returns video if recording)
# 1. Start session
RESULT=$(belt app run agent-browser --function open --session new --input '{
  "url": "https://example.com/login"
}')
SESSION_ID=$(echo $RESULT | jq -r '.session_id')
# Elements: @e1 [input] "Email", @e2 [input] "Password", @e3 [button] "Sign In"

# 2. Fill and submit
belt app run agent-browser --function interact --session $SESSION_ID --input '{
  "action": "fill", "ref": "@e1", "text": "user@example.com"
}'
belt app run agent-browser --function interact --session $SESSION_ID --input '{
  "action": "fill", "ref": "@e2", "text": "password123"
}'
belt app run agent-browser --function interact --session $SESSION_ID --input '{
  "action": "click", "ref": "@e3"
}'

# 3. Re-snapshot after navigation
belt app run agent-browser --function snapshot --session $SESSION_ID --input '{}'

# 4. Close when done
belt app run agent-browser --function close --session $SESSION_ID --input '{}'

Functions

FunctionDescription
openNavigate to URL, configure browser (viewport, proxy, video recording)
snapshotRe-fetch page state with @e refs after DOM changes
interactPerform actions using @e refs (click, fill, drag, upload, etc.)
screenshotTake page screenshot (viewport or full page)
executeRun JavaScript code on the page
closeClose session, returns video if recording was enabled

Interact Actions

ActionDescriptionRequired Fields
clickClick elementref
dblclickDouble-click elementref
fillClear and type textref, text
typeType text (no clear)text
pressPress key (Enter, Tab, etc.)text
selectSelect dropdown optionref, text
hoverHover over elementref
checkCheck checkboxref
uncheckUncheck checkboxref
dragDrag and dropref, target_ref
uploadUpload file(s)ref, file_paths
scrollScroll pagedirection (up/down/left/right), scroll_amount
backGo back in history-
waitWait millisecondswait_ms
gotoNavigate to URLurl

Element Refs

Elements are returned with @e refs:

@e1 [a] "Home" href="/"
@e2 [input type="text"] placeholder="Search"
@e3 [button] "Submit"
@e4 [select] "Choose option"
@e5 [input type="checkbox"] name="agree"

Important: Refs are invalidated after navigation. Always re-snapshot after:

  • Clicking links/buttons that navigate
  • Form submissions
  • Dynamic content loading

Features

Video Recording

Record browser sessions for debugging or documentation:

# Start with recording enabled (optionally show cursor indicator)
SESSION=$(belt app run agent-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
belt app run agent-browser --function close --session $SESSION --input '{}'
# Returns: {"success": true, "video": <File>}

Cursor Indicator

Show a visible cursor in screenshots and video (useful for demos):

belt app run agent-browser --function open --session new --input '{
  "url": "https://example.com",
  "show_cursor": true,
  "record_video": true
}'

The cursor appears as a red dot that follows mouse movements and shows click feedback.

Proxy Support

Route traffic through a proxy server:

belt app run agent-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

Upload files to file inputs:

belt app run agent-browser --function interact --session $SESSION --input '{
  "action": "upload",
  "ref": "@e5",
  "file_paths": ["/path/to/file.pdf"]
}'

Drag and Drop

Drag elements to targets:

belt app run agent-browser --function interact --session $SESSION --input '{
  "action": "drag",
  "ref": "@e1",
  "target_ref": "@e2"
}'

JavaScript Execution

Run custom JavaScript:

belt app run agent-browser --function execute --session $SESSION --input '{
  "code": "document.querySelectorAll(\"h2\").length"
}'
# Returns: {"result": "5", "screenshot": <File>}

Deep-Dive Documentation

ReferenceDescription
references/commands.mdFull function reference with all options
references/snapshot-refs.mdRef lifecycle, invalidation rules, troubleshooting
references/session-management.mdSession persistence, parallel sessions
references/authentication.mdLogin flows, OAuth, 2FA handling
references/video-recording.mdRecording workflows for debugging
references/proxy-support.mdProxy configuration, geo-testing

Ready-to-Use Templates

TemplateDescription
templates/form-automation.shForm filling with validation
templates/authenticated-session.shLogin once, reuse session
templates/capture-workflow.shContent extraction with screenshots

Examples

Form Submission

SESSION=$(belt app run agent-browser --function open --session new --input '{
  "url": "https://example.com/contact"
}' | jq -r '.session_id')

# Get elements: @e1 [input] "Name", @e2 [input] "Email", @e3 [textarea], @e4 [button] "Send"

belt app run agent-browser --function interact --session $SESSION --input '{"action": "fill", "ref": "@e1", "text": "John Doe"}'
belt app run agent-browser --function interact --session $SESSION --input '{"action": "fill", "ref": "@e2", "text": "john@example.com"}'
belt app run agent-browser --function interact --session $SESSION --input '{"action": "fill", "ref": "@e3", "text": "Hello!"}'
belt app run agent-browser --function interact --session $SESSION --input '{"action": "click", "ref": "@e4"}'

belt app run agent-browser --function snapshot --session $SESSION --input '{}'
belt app run agent-browser --function close --session $SESSION --input '{}'

Search and Extract

SESSION=$(belt app run agent-browser --function open --session new --input '{
  "url": "https://google.com"
}' | jq -r '.session_id')

belt app run agent-browser --function interact --session $SESSION --input '{"action": "fill", "ref": "@e1", "text": "weather today"}'
belt app run agent-browser --function interact --session $SESSION --input '{"action": "press", "text": "Enter"}'
belt app run agent-browser --function interact --session $SESSION --input '{"action": "wait", "wait_ms": 2000}'

belt app run agent-browser --function snapshot --session $SESSION --input '{}'
belt app run agent-browser --function close --session $SESSION --input '{}'

Screenshot with Video

SESSION=$(belt app run agent-browser --function open --session new --input '{
  "url": "https://example.com",
  "record_video": true
}' | jq -r '.session_id')

# Take full page screenshot
belt app run agent-browser --function screenshot --session $SESSION --input '{
  "full_page": true
}'

# Close and get video
RESULT=$(belt app run agent-browser --function close --session $SESSION --input '{}')
echo $RESULT | jq '.video'

Sessions

Browser state persists within a session. Always:

  1. Start with --session new on first call
  2. Use returned session_id for subsequent calls
  3. Close session when done

Related Skills

# Web search (for research + browse)
npx skills add inference-sh/skills@web-search

# LLM models (analyze extracted content)
npx skills add inference-sh/skills@llm-models

Documentation

Mehr Skills von beltsh

agent-tools
beltsh
Führe KI-Apps über die inference.sh-CLI aus – Bildgenerierung, Videoerstellung, LLMs, Suche, 3D und Twitter-Automatisierung. Modelle: FLUX, Veo, Gemini, Grok, Claude, Seedance, OmniHuman, Tavily, Exa und viele mehr. Verwende es zum Ausführen von KI-Apps, Generieren von Bildern/Videos, Aufrufen von LLMs, für die Websuche oder zur Automatisierung von Twitter. Auslöser: inference.sh, infsh, KI-Modell, KI ausführen, serverlose KI, KI-API, flux, veo, Claude-API, Bildgenerierung, Videogenerierung, tavily, Exa-Suche, Twitter-API, grok
mediaapibrowser-automation
ai-avatar-video
beltsh
Erstelle KI-Avatar- und Talking-Head-Videos über die inference.sh-CLI. Empfohlen: P-Video-Avatar (am schnellsten, am günstigsten, integriertes TTS). Außerdem: OmniHuman, Fabric, PixVerse. Audio: Inworld TTS-2 (über 100 Sprachen, Emotionssteuerung für Charaktere), ElevenLabs, Kokoro. Funktionen: audiogesteuerte Avatare, Text-zu-Avatar, Videos mit Lippensynchronisation, Talking-Head-Generierung, virtuelle Moderatoren, UGC-Inhalte. Einsatzbereiche: KI-Moderatoren, Erklärvideos, virtuelle Influencer, Synchronisation, Marketingvideos, UGC-Anzeigen, Gaming-Avatare,...
videoaudiomarketing
ai-image-generation
beltsh
Generiere KI-Bilder mit GPT-Image-2.6, FLUX, Gemini, Grok, Seedream, Reve und über 50 Modellen über die inference.sh-CLI. Modelle: GPT-Image-2.6 Flare, GPT-Image-2.6 Sunburst, FLUX Dev LoRA, FLUX.2 Klein LoRA, Nano Banana 2.1, Gemini 3 Pro Image, Grok Imagine 2.0, Seedream 5.5, Reve, ImagineArt. Funktionen: Text-zu-Bild, Bild-zu-Bild, Inpainting, LoRA, Bildbearbeitung, Hochskalierung, Textdarstellung. Einsatzbereiche: KI-Kunst, Produkt-Mockups, Konzeptkunst, Grafiken für soziale Medien, Marketingvisuals, Illustrationen....
imagecreativemedia
ai-video-generation
beltsh
Erstelle KI-Videos mit Google Veo, Seedance 2.5, Kling, HappyHorse, Wan, Grok und über 40 Modellen über die inference.sh-CLI. Modelle: Veo 3.1, Seedance 2.5, Kling v4, Runway Gen-4.5, FLUX 3 Video, HappyHorse 1.0, Wan 2.7, Grok Imagine Video 1.5, P-Video 2, OmniHuman, Fabric. Funktionen: Text-zu-Video, Bild-zu-Video, Referenz-zu-Video, Videobearbeitung, Lippensynchronisation, Avatar-Animation, Video-Upscaling, Foley-Sound. Einsatzbereiche: Social-Media-Videos, Marketinginhalte, Erklärvideos, Produktdemos, KI-Avatare....
videomediacreative
app-store-screenshots
beltsh
Erstellung von App Store- und Google Play-Screenshots mit exakten Plattformvorgaben. Umfasst iOS-/Android-Abmessungen, Reihenfolge der Galerie, Gerätemockups und Vorschauvideos. Verwenden für: App-Store-Optimierung, ASO, App-Screenshots, App-Vorschau, Play-Store-Eintrag. Auslöser: App-Store-Screenshots, ASO, App-Store-Optimierung, Play-Store-Screenshots, App-Vorschau, App-Eintrag, iOS-Screenshots, Android-Screenshots, App-Store-Bilder, App-Mockup, Gerätemockup, App-Galerie, Store-Eintrag
designmarketingimage
character-design-sheet
beltsh
Konsistenz von Charakteren in KI-generierten Bildern mithilfe von Referenzbögen und LoRA-Techniken. Behandelt Ansichten aus verschiedenen Perspektiven, Ausdrucksbögen, Farbpaletten und Tricks für einen einheitlichen Stil. Verwendung für: Charakterdesign, Game Art, Illustration, Animation, Comics, Visual Novels. Auslöser: Charakterdesign, Charakterbogen, Charakterkonsistenz, Charakterreferenz, Ansichten aus verschiedenen Perspektiven, Ausdrucksbogen, Charakterillustration, konsistenter Charakter, Charakterkonzept, Referenzbogen, Charaktererstellung, OC-Design,...
designimagecreative
competitor-teardown
beltsh
Strukturierte Wettbewerbsanalyse mit Feature-Matrizen, SWOT, Positionierungskarten und UX-Review. Umfasst Research-Frameworks, Preisvergleiche, Review-Auswertung und visuelle Ergebnisse. Einsatzbereiche: Marktforschung, Wettbewerbsbeobachtung, Investor-Präsentationen, Produktstrategie, Vertriebsunterstützung. Auslöser: Wettbewerberanalyse, Wettbewerbsanalyse, Wettbewerber-Teardown, Marktforschung, Wettbewerbsbeobachtung, SWOT-Analyse, Wettbewerbervergleich, Marktübersicht, Wettbewerber-Review, Wettbewerb...
researchdata-analysisproductivity
image-to-video
beltsh
Anleitung zur Umwandlung von Standbildern in Videos: Modellauswahl, Motion-Prompting und Kamerabewegung. Behandelt Wan 2.7 i2v, Seedance 2.5, Kling v4 und Grok Imagine Video 1.5 sowie den jeweiligen Einsatzzweck. Verwenden für: Bilder animieren, Videos aus Standbildern erstellen, Bewegung hinzufügen, Produktanimationen. Auslöser: Bild zu Video, i2v, Bild animieren, Standbild zu Video, einem Bild Bewegung hinzufügen, Bildanimation, Foto zu Video, Standbild animieren, wan i2v, image2video, ein Bild zum Leben erwecken, Foto animieren, Bewegung aus einem Bild
videoimagecreative