agent-browser

por beltsh

Automatización del navegador para agentes de IA mediante inference.sh. Navega por páginas web, interactúa con elementos usando referencias @e, toma capturas de pantalla y graba vídeo. Capacidades: extracción de datos web, rellenado de formularios, clics, escritura, arrastrar y soltar, carga de archivos y ejecución de JavaScript. Úsalo para: automatización web, extracción de datos, pruebas, navegación de agentes e investigación. Activadores: navegador, automatización web, extraer datos, navegar, hacer clic, rellenar formulario, captura de pantalla, navegar por la web, playwright, navegador sin interfaz gráfica, agente web, navegar por internet, grabar vídeo.

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

Más skills de beltsh

agent-tools
beltsh
Ejecuta aplicaciones de IA mediante la CLI de inference.sh: generación de imágenes, creación de videos, LLM, búsqueda, 3D y automatización de Twitter. Modelos: FLUX, Veo, Gemini, Grok, Claude, Seedance, OmniHuman, Tavily, Exa y muchos más. Úsalo para ejecutar aplicaciones de IA, generar imágenes o videos, llamar a LLM, buscar en la web o automatizar Twitter. Activadores: inference.sh, infsh, modelo de IA, ejecutar IA, IA sin servidor, API de IA, flux, veo, API de Claude, generación de imágenes, generación de videos, tavily, búsqueda de Exa, API de Twitter, grok
mediaapibrowser-automation
ai-avatar-video
beltsh
Crea avatares de IA y videos de cabezas parlantes mediante la CLI de inference.sh. Recomendado: P-Video-Avatar (el más rápido y económico, con TTS integrado). También: OmniHuman, Fabric, PixVerse. Audio: Inworld TTS-2 (más de 100 idiomas, control de emociones para personajes), ElevenLabs, Kokoro. Capacidades: avatares controlados por audio, conversión de texto a avatar, videos con sincronización labial, generación de cabezas parlantes, presentadores virtuales, contenido UGC. Úsalo para: presentadores de IA, videos explicativos, influencers virtuales, doblaje, videos de marketing, anuncios UGC, avatares de videojuegos,...
videoaudiomarketing
ai-image-generation
beltsh
Genera imágenes con IA con GPT-Image-2.6, FLUX, Gemini, Grok, Seedream, Reve y más de 50 modelos mediante la CLI de inference.sh. Modelos: 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. Funciones: texto a imagen, imagen a imagen, inpainting, LoRA, edición de imágenes, ampliación de resolución y renderizado de texto. Usos: arte con IA, maquetas de productos, arte conceptual, gráficos para redes sociales, recursos visuales de marketing, ilustraciones....
imagecreativemedia
ai-video-generation
beltsh
Genera vídeos con IA con Google Veo, Seedance 2.5, Kling, HappyHorse, Wan, Grok y más de 40 modelos mediante la CLI de inference.sh. Modelos: 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. Funciones: texto a vídeo, imagen a vídeo, referencia a vídeo, edición de vídeo, sincronización labial, animación de avatares, mejora de resolución de vídeo y efectos de sonido. Úsalo para: vídeos para redes sociales, contenido de marketing, vídeos explicativos, demostraciones de productos, avatares con IA....
videomediacreative
app-store-screenshots
beltsh
Creación de capturas de pantalla para App Store y Google Play con especificaciones exactas de cada plataforma. Incluye dimensiones de iOS/Android, orden de la galería, maquetas de dispositivos y videos de vista previa. Úsalo para: optimización de tiendas de aplicaciones, ASO, capturas de pantalla de aplicaciones, vista previa de aplicaciones, ficha de Play Store. Activadores: capturas de pantalla de App Store, ASO, optimización de App Store, capturas de pantalla de Play Store, vista previa de aplicaciones, ficha de aplicación, capturas de pantalla de iOS, capturas de pantalla de Android, imágenes de aplicaciones para App Store, maqueta de aplicación, maqueta de dispositivo, galería de aplicaciones, ficha de tienda
designmarketingimage
character-design-sheet
beltsh
Consistencia de personajes en imágenes generadas por IA mediante hojas de referencia y técnicas LoRA. Abarca vistas de giro, hojas de expresiones, paletas de colores y trucos para mantener la coherencia del estilo. Úsalo para: diseño de personajes, arte para videojuegos, ilustración, animación, cómics y novelas visuales. Activadores: diseño de personajes, hoja de personaje, consistencia de personajes, referencia de personaje, hoja de vistas de giro, hoja de expresiones, arte de personajes, personaje coherente, concepto de personaje, hoja de referencia, creación de personajes, diseño de OC,...
designimagecreative
competitor-teardown
beltsh
Análisis competitivo estructurado con matrices de características, análisis SWOT, mapas de posicionamiento y revisión de UX. Abarca marcos de investigación, comparación de precios, análisis de reseñas y entregables visuales. Úsalo para: investigación de mercado, inteligencia competitiva, presentaciones para inversores, estrategia de producto y apoyo a ventas. Activadores: análisis de competidores, análisis competitivo, análisis exhaustivo de competidores, investigación de mercado, inteligencia competitiva, análisis SWOT, comparación de competidores, panorama del mercado, revisión de competidores, análisis competitivo...
researchdata-analysisproductivity
image-to-video
beltsh
Guía de conversión de imagen fija a video: selección de modelos, indicaciones de movimiento y movimiento de cámara. Incluye Wan 2.7 i2v, Seedance 2.5, Kling v4 y Grok Imagine Video 1.5, y cuándo usar cada uno. Úsala para: animar imágenes, crear videos a partir de imágenes fijas, añadir movimiento y crear animaciones de productos. Activadores: imagen a video, i2v, animar imagen, imagen fija a video, añadir movimiento a una imagen, animación de imágenes, foto a video, animar imagen fija, wan i2v, image2video, dar vida a una imagen, animar foto, movimiento a partir de una imagen
videoimagecreative