agent-browser

द्वारा qu-skills

AI एजेंटों के लिए inference.sh के माध्यम से ब्राउज़र ऑटोमेशन। वेब पेजों पर नेविगेट करें, @e रेफरेंस का उपयोग करके तत्वों से इंटरैक्ट करें, स्क्रीनशॉट लें, वीडियो रिकॉर्ड करें। क्षमताएं: वेब स्क्रैपिंग, फॉर्म भरना, क्लिक करना, टाइप करना, ड्रैग-ड्रॉप, फ़ाइल अपलोड, जावास्क्रिप्ट निष्पादन। उपयोग करें: वेब ऑटोमेशन, डेटा निष्कर्षण, परीक्षण, एजेंट ब्राउज़िंग, अनु

npx skills add https://github.com/qu-skills/skills --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

qu-skills की और Skills

ai-video-generation
qu-skills
Google Veo, Seedance 2.0, HappyHorse, Wan, Grok और inference.sh CLI के माध्यम से 40+ मॉडलों के साथ AI वीडियो बनाएं। मॉडल: Veo 3.1, Veo 3, Seedance 2.0, HappyHorse 1.0, Wan 2.5, Grok Imagine Video, OmniHuman, Fabric, HunyuanVideo। क्षमताएं: टेक्स्ट-टू-वीडियो, इमेज-टू-वीडियो, रेफरेंस-टू-वीडियो, वीडियो एडिटिंग, लिपसिंक, अवतार एनिमेशन, वीडियो अपस्केलिंग, फोले साउंड। उपयोग: सोशल मी
videocreativemedia
remotion-render
qu-skills
React/Remotion कम्पोनेंट कोड से inference.sh के माध्यम से वीडियो रेंडर करें। TSX कोड पास करें, MP4 प्राप्त करें। सभी Remotion API का समर्थन: useCurrentFrame, useVideoConfig, spring, interpolate, AbsoluteFill, Sequence। कॉन्फ़िगरेबल रिज़ॉल्यूशन, FPS, अवधि, कोडेक। उपयोग: प्रोग्रामेटिक वीडियो जनरेशन, एनिमेटेड ग्राफिक्स, मोशन डिज़ाइन, डेटा-संचालित वीडियो, React एनिमेशन से वीडियो। ट्रिगर: remotion, कोड से वीडियो रेंडर करें, tsx से व
developmentvideocreative
ai-image-generation
qu-skills
inference.sh CLI के माध्यम से GPT-Image-2, FLUX, Gemini, Grok, Seedream, Reve और 50+ मॉडलों के साथ AI इमेज जनरेट करें। मॉडल: GPT-Image-2, FLUX Dev LoRA, FLUX.2 Klein LoRA, Gemini 3 Pro Image, Grok Imagine, Seedream 4.5, Reve, ImagineArt। क्षमताएँ: टेक्स्ट-टू-इमेज, इमेज-टू-इमेज, इनपेंटिंग, LoRA, इमेज एडिटिंग, अपस्केलिंग, टेक्स्ट रेंडरिंग। उपयोग: AI कला, उत्पाद मॉकअप, कॉन्सेप्ट आर्ट, सोशल मीडिया ग्राफ
creativemediaimage
ai-avatar-video
qu-skills
inference.sh CLI के माध्यम से AI अवतार और टॉकिंग हेड वीडियो बनाएं। अनुशंसित: P-Video-Avatar (सबसे तेज़, सबसे सस्ता, बिल्ट-इन TTS)। इसके अलावा: OmniHuman, Fabric, PixVerse। ऑडियो: Inworld TTS-2 (100+ भाषाएँ, पात्रों के लिए इमोशन स्टीयरिंग), ElevenLabs, Kokoro। क्षमताएँ: ऑडियो-संचालित अवतार, टेक्स्ट-टू-अवतार, लिपसिंक वीडियो, टॉकिंग हेड जनरेशन, वर्चुअल प्रेजेंटर, UGC कंटेंट
videocreativemedia
twitter-automation
qu-skills
इन्फरेंस.sh CLI के माध्यम से पोस्टिंग, सहभागिता और उपयोगकर्ता प्रबंधन के साथ Twitter/X को स्वचालित करें। ऐप्स: x/post-tweet, x/post-create (मीडिया के साथ), x/post-like, x/post-retweet, x/dm-send, x/user-follow। क्षमताएँ: ट्वीट पोस्ट करना, सामग्री शेड्यूल करना, पोस्ट को लाइक करना, रीट्वीट करना, डीएम भेजना, उपयोगकर्ताओं को फॉलो करना, प्रोफाइल प्राप्त करना। उपयोग करें: सोशल मीडिया ऑटोमेशन, सामग्री शेड्यूल
api
web-search
qu-skills
वेब खोज और सामग्री निष्कर्षण Tavily और Exa के माध्यम से inference.sh CLI के जरिए। ऐप्स: Tavily Search, Tavily Extract, Exa Search, Exa Answer, Exa Extract। क्षमताएँ: AI-संचालित खोज, सामग्री निष्कर्षण, सीधे उत्तर, शोध। उपयोग: शोध, RAG पाइपलाइन, तथ्य-जांच, सामग्री एकत्रीकरण, एजेंट। ट्रिगर: वेब खोज, tavily, exa, search api, सामग्री निष्कर्षण, शोध, इंटरनेट खोज, ai search, search assistant, वेब स्क्रैपिंग, rag, perplexity विकल्प
researchweb-scrapingapi
agent-tools
qu-skills
इन्फरेंस.शॉ CLI के माध्यम से 250+ AI ऐप्स चलाएँ - इमेज जनरेशन, वीडियो निर्माण, LLMs, सर्च, 3D, ट्विटर ऑटोमेशन। मॉडल: FLUX, Veo, Gemini, Grok, Claude, Seedance, OmniHuman, Tavily, Exa, OpenRouter, और कई अन्य। AI ऐप्स चलाते समय, इमेज/वीडियो जनरेट करते समय, LLMs कॉल करते समय, वेब सर्च करते समय, या ट्विटर ऑटोमेट करते समय उपयोग करें। ट्रिगर: inference.sh, infsh, ai model, run ai, serverless ai, ai api, flux,
developmentapicreative
python-executor
qu-skills
Execute Python code in a safe sandboxed environment via [inference.sh](https://inference.sh). Pre-installed: NumPy, Pandas, Matplotlib, requests, BeautifulSoup, Selenium, Playwright, MoviePy, Pillow, OpenCV, trimesh, and 100+ more libraries. Use for: data processing, web scraping, image manipulation, video creation, 3D model processing, PDF generation, API calls, automation scripts. Triggers: python, execute code, run script, web scraping, data analysis, image processing, video editing, 3D...
developmentdata-analysisweb-scraping