agent-browser

作成者: 101-skills

inference.sh経由でAIエージェント向けのブラウザ自動化。Webページの移動、@e参照を使った要素操作、スクリーンショット撮影、動画録画が可能。機能:Webスクレイピング、フォーム入力、クリック、タイピング、ドラッグ&ドロップ、ファイルアップロード、JavaScript実行。用途:Web自動化、データ抽出、テスト、エージェントブラウジング、リサーチ。トリガー:ブラウザ、Web自動化、スクレイプ、移動、クリック、フォーム入力、スクリーンショット、Webブラウズ、Playwright、ヘッドレスブラウザ、Webエージェント、インターネットサーフィン、動画録画

npx skills add https://github.com/101-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

101-skillsのその他のスキル

ai-avatar-video
101-skills
inference.sh CLI経由でAIアバターとトーキングヘッド動画を作成。推奨:P-Video-Avatar(最速、最安、内蔵TTS)。他に:OmniHuman、Fabric、PixVerse。音声:Inworld TTS-2(100以上の言語、キャラクター向け感情制御)、ElevenLabs、Kokoro。機能:音声駆動アバター、テキストからアバター、リップシンク動画、トーキングヘッド生成、仮想プレゼンター、UGCコンテンツ。用途:AIプレゼンター、解説動画、バーチャルインフルエンサー、吹き替え、マーケティング動画、UGC広告、ゲームアバターなど。
creativevideomedia
ai-video-generation
101-skills
Google Veo、Seedance 2.0、HappyHorse、Wan、Grokなど40以上のモデルを使用し、inference.sh CLI経由でAI動画を生成します。モデル:Veo 3.1、Veo 3、Seedance 2.0、HappyHorse 1.0、Wan 2.5、Grok Imagine Video、OmniHuman、Fabric、HunyuanVideo。機能:テキストから動画、画像から動画、参照から動画、動画編集、リップシンク、アバターアニメーション、動画アップスケーリング、フォーリーサウンド。用途:ソーシャルメディア動画、マーケティングコンテンツ、説明動画、製品デモ、AIアバター。トリガー:動画生成、AI動画、...
creativevideomedia
ai-image-generation
101-skills
GPT-Image-2、FLUX、Gemini、Grok、Seedream、Reve、ImagineArtなど50以上のモデルを使用して、inference.sh CLI経由でAI画像を生成します。モデル:GPT-Image-2、FLUX Dev LoRA、FLUX.2 Klein LoRA、Gemini 3 Pro Image、Grok Imagine、Seedream 4.5、Reve、ImagineArt。機能:テキストから画像、画像から画像、インペインティング、LoRA、画像編集、アップスケーリング、テキストレンダリング。用途:AIアート、製品モックアップ、コンセプトアート、ソーシャルメディアグラフィック、マーケティングビジュアル、イラスト。トリガー:flux、image generation、ai image、text to...
creativemediaimage
remotion-render
101-skills
React/Remotionのコンポーネントコードからinference.sh経由で動画をレンダリングします。TSXコードを渡すとMP4が出力されます。useCurrentFrame、useVideoConfig、spring、interpolate、AbsoluteFill、Sequenceなど、すべてのRemotion APIに対応。解像度、FPS、長さ、コーデックを設定可能。用途:プログラムによる動画生成、アニメーショングラフィックス、モーションデザイン、データ駆動型動画、Reactアニメーションの動画化。トリガー:remotion、コードから動画レンダリング、tsxから動画、react動画、プログラム動画、remotionレンダリング、コードから動画、アニメーション...
videocreativedevelopment
web-search
101-skills
TavilyとExaを使用したウェブ検索とコンテンツ抽出(inference.sh CLI経由)。アプリ:Tavily Search、Tavily Extract、Exa Search、Exa Answer、Exa Extract。機能:AI駆動検索、コンテンツ抽出、直接回答、リサーチ。用途:リサーチ、RAGパイプライン、ファクトチェック、コンテンツ集約、エージェント。トリガー:ウェブ検索、tavily、exa、search api、コンテンツ抽出、リサーチ、インターネット検索、ai検索、検索アシスタント、ウェブスクレイピング、rag、perplexity代替
researchweb-scrapingapi
agent-tools
101-skills
inference.sh CLI経由でAIアプリを実行 - 画像生成、動画作成、LLM、検索、3D、Twitter自動化。モデル:FLUX、Veo、Gemini、Grok、Claude、Seedance、OmniHuman、Tavily、Exa、OpenRouterなど多数。AIアプリの実行、画像/動画生成、LLM呼び出し、ウェブ検索、Twitter自動化時に使用。トリガー:inference.sh、infsh、ai model、run ai、serverless ai、ai api、flux、veo、claude api、image generation、video generation、openrouter、tavily、exa search、twitter api、grok
infsh-cli
101-skills
inference.sh CLI経由でAIアプリを実行 - 画像生成、動画作成、LLM、検索、3D、Twitter自動化。モデル: FLUX、Veo、Gemini、Grok、Claude、Seedance、OmniHuman、Tavily、Exa、OpenRouterなど多数。AIアプリの実行、画像/動画生成、LLM呼び出し、ウェブ検索、Twitter自動化の際に使用。トリガー: inference.sh、infsh、ai model、run ai、serverless ai、ai api、flux、veo、claude api、image generation、video generation、openrouter、tavily、exa search、twitter api、grok
landing-page-design
101-skills
ランディングページのコンバージョン最適化:レイアウトルール、ヒーローセクションのデザイン、CTAの心理学。アバブザフォールドの公式、ソーシャルプルーフの配置、モバイルデザイン、Fパターンの読み取りをカバー。使用用途:スタートアップのランディングページ、プロダクトページ、SaaSマーケティング、コンバージョン最適化。トリガー:ランディングページ、ヒーローセクション、アバブザフォールド、コンバージョン最適化、ランディングページデザイン、CTAボタン、ヒーロー画像、ランディングページレイアウト、SaaSランディングページ、プロダクトページデザイン、コンバージョン率、ランディングページ...
designmarketingcreative