agent-browser

द्वारा openai

AI एजेंटों के लिए ब्राउज़र ऑटोमेशन CLI. उपयोग तब करें जब उपयोगकर्ता को वेबसाइटों से इंटरैक्ट करना हो, डेव सर्वर आउटपुट सत्यापित करना हो, वेब ऐप्स का परीक्षण करना हो, पेजों पर नेविगेट करना हो, फॉर्म भरना हो,…

npx skills add https://github.com/openai/plugins --skill agent-browser

Browser Automation with agent-browser

When a dev server is running or the user asks to verify, test, or interact with a web page, use agent-browser to automate the browser.

Core Workflow

Every browser automation follows this pattern:

  1. Navigate: agent-browser open <url>
  2. Snapshot: agent-browser snapshot -i (get element refs like @e1, @e2)
  3. Interact: Use refs to click, fill, select
  4. Re-snapshot: After navigation or DOM changes, get fresh refs
agent-browser open http://localhost:3000
agent-browser wait --load networkidle
agent-browser snapshot -i

Dev Server Verification

When a dev server starts, use agent-browser to verify it's working:

# After starting a dev server (next dev, vite, etc.)
agent-browser open http://localhost:3000
agent-browser wait --load networkidle
agent-browser screenshot dev-check.png
agent-browser snapshot -i

Command Chaining

Commands can be chained with &&. The browser persists between commands via a background daemon.

agent-browser open http://localhost:3000 && agent-browser wait --load networkidle && agent-browser snapshot -i

Essential Commands

# Navigation
agent-browser open <url>              # Navigate (aliases: goto, navigate)
agent-browser close                   # Close browser

# Snapshot
agent-browser snapshot -i             # Interactive elements with refs
agent-browser snapshot -i -C          # Include cursor-interactive elements
agent-browser snapshot -s "#selector" # Scope to CSS selector

# Interaction (use @refs from snapshot)
agent-browser click @e1               # Click element
agent-browser fill @e2 "text"         # Clear and type text
agent-browser type @e2 "text"         # Type without clearing
agent-browser select @e1 "option"     # Select dropdown option
agent-browser check @e1               # Check checkbox
agent-browser press Enter             # Press key
agent-browser scroll down 500         # Scroll page

# Get information
agent-browser get text @e1            # Get element text
agent-browser get url                 # Get current URL
agent-browser get title               # Get page title

# Wait
agent-browser wait @e1                # Wait for element
agent-browser wait --load networkidle # Wait for network idle
agent-browser wait --url "**/page"    # Wait for URL pattern
agent-browser wait 2000               # Wait milliseconds

# Capture
agent-browser screenshot              # Screenshot to temp dir
agent-browser screenshot --full       # Full page screenshot
agent-browser screenshot --annotate   # Annotated screenshot with numbered labels
agent-browser pdf output.pdf          # Save as PDF

# Diff (compare page states)
agent-browser diff snapshot           # Compare current vs last snapshot
agent-browser diff screenshot --baseline before.png  # Visual pixel diff

Common Patterns

Form Submission

agent-browser open http://localhost:3000/signup
agent-browser snapshot -i
agent-browser fill @e1 "Jane Doe"
agent-browser fill @e2 "jane@example.com"
agent-browser click @e5
agent-browser wait --load networkidle

Authentication with State Persistence

# Login once and save state
agent-browser open http://localhost:3000/login
agent-browser snapshot -i
agent-browser fill @e1 "$USERNAME"
agent-browser fill @e2 "$PASSWORD"
agent-browser click @e3
agent-browser wait --url "**/dashboard"
agent-browser state save auth.json

# Reuse in future sessions
agent-browser state load auth.json
agent-browser open http://localhost:3000/dashboard

Data Extraction

agent-browser open http://localhost:3000/products
agent-browser snapshot -i
agent-browser get text @e5
agent-browser get text body > page.txt

Visual Debugging

agent-browser --headed open http://localhost:3000
agent-browser highlight @e1
agent-browser record start demo.webm

Ref Lifecycle (Important)

Refs (@e1, @e2, etc.) are invalidated when the page changes. Always re-snapshot after:

  • Clicking links or buttons that navigate
  • Form submissions
  • Dynamic content loading (dropdowns, modals)
agent-browser click @e5              # Navigates to new page
agent-browser snapshot -i            # MUST re-snapshot
agent-browser click @e1              # Use new refs

Annotated Screenshots (Vision Mode)

Use --annotate for screenshots with numbered labels on interactive elements:

agent-browser screenshot --annotate
# Output: [1] @e1 button "Submit", [2] @e2 link "Home", ...
agent-browser click @e2

Semantic Locators (Alternative to Refs)

agent-browser find text "Sign In" click
agent-browser find label "Email" fill "user@test.com"
agent-browser find role button click --name "Submit"

JavaScript Evaluation

# Simple expressions
agent-browser eval 'document.title'

# Complex JS: use --stdin with heredoc
agent-browser eval --stdin <<'EVALEOF'
JSON.stringify(
  Array.from(document.querySelectorAll("img"))
    .filter(i => !i.alt)
    .map(i => ({ src: i.src.split("/").pop(), width: i.width }))
)
EVALEOF

Session Management

agent-browser --session site1 open http://localhost:3000
agent-browser --session site2 open http://localhost:3001
agent-browser session list
agent-browser close  # Always close when done

Timeouts and Slow Pages

agent-browser wait --load networkidle  # Best for slow pages
agent-browser wait "#content"          # Wait for specific element
agent-browser wait --url "**/dashboard"  # Wait for URL pattern
agent-browser wait 5000                # Fixed wait (last resort)

openai की और Skills

release
openai
Symphony रिलीज़ को बंप करके, उसे लैंड करके, मर्ज किए गए कमिट को टैग करके, और Burrito रिलीज़ वर्कफ़्लो को सत्यापित करके काटें। जब ऐसा करने के लिए कहा जाए…
signing-entitlements
openai
macOS ऐप्स के लिए हस्ताक्षर, अधिकार, कठोर रनटाइम और गेटकीपर समस्याओं का निरीक्षण करें। जब कोड हस्ताक्षर विफलताओं, लापता अधिकारों,… के निदान के लिए कहा जाए तो उपयोग करें।
building-ai-agent-on-cloudflare
openai
Cloudflare पर Agents SDK का उपयोग करके AI एजेंट बनाता है, जिसमें state प्रबंधन, real-time WebSockets, अनुसूचित कार्य, tool एकीकरण और चैट शामिल हैं…
epigraphdb-skill
openai
ऑन्टोलॉजी, साहित्य, एमआर, जीन-दवा और समर्थन-पथ साक्ष्य के लिए कॉम्पैक्ट EpiGraphDB API अनुरोध सबमिट करें। जब उपयोगकर्ता संक्षिप्त EpiGraphDB सारांश चाहता है तब उपयोग करें।
runtime-behavior-probe
openai
अस्थायी जांच स्क्रिप्ट, सत्यापन मैट्रिक्स, स्थिति नियंत्रण और निष्कर्ष-प्रथम रिपोर्ट के साथ runtime-behavior जांच की योजना बनाएं और निष्पादित करें। केवल तब उपयोग करें जब...
deep-security-scan
openai
उपयोग तब करें जब उपयोगकर्ता गहन, व्यापक, बहु-पास, या विचरण-न्यूनीकरण वाले रिपॉजिटरी-व्यापी या स्कोप्ड-पथ Codex Security स्कैन का अनुरोध करता है। कई स्वतंत्र बार-बार चलाएँ…
define-security-policy
openai
किसी रिपॉज़िटरी या कंपोनेंट के लिए SECURITY.md मार्गदर्शन को परिभाषित, समीक्षा, या अपडेट करें। उपयोग करें जब उपयोगकर्ता यह स्पष्ट करना चाहता है कि Codex Security को क्या समीक्षा करनी चाहिए, क्या बाहर…
validation
openai
इसका उपयोग तब करें जब Codex पहले से ही सुरक्षा स्कैन के सत्यापन चरण में हो या उपयोगकर्ता स्पष्ट रूप से यह निर्धारित करने के लिए कहे कि एक या अधिक उम्मीदवार सुरक्षा निष्कर्ष…