agent-browser

作成者: skills-101

inference.shを介したAIエージェント向けブラウザ自動化。ウェブページのナビゲーション、@e参照による要素とのインタラクション、スクリーンショット撮影、ビデオ録画。機能: ウェブスクレイピング、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: ウェブ自動化、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、ウェブ自動化、スクレイプ、ナビゲート、クリック、フォーム入力、スクリーンショット、ウェブ閲覧、playwright、ヘッドレスブラウザ、ウェブエージェント、インターネットサーフィン、ビデオ録画

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

skills-101のその他のスキル

ai-image-generation
skills-101
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...
ai-avatar-video
skills-101
inference.sh CLIを使ってAIアバター・トーキングヘッド動画を作成。推奨: P-Video-Avatar(最速・最安・TTS内蔵)。その他: OmniHuman、Fabric、PixVerse。音声: Inworld TTS-2(100以上の言語、キャラクター向け感情操作)、ElevenLabs、Kokoro。機能: 音声駆動アバター、テキストからアバター生成、リップシンク動画、トーキングヘッド生成、バーチャルプレゼンター、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...
agent-tools
skills-101
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
python-executor
skills-101
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...
remotion-render
skills-101
inference.shを介してReact/Remotionコンポーネントコードから動画をレンダリングします。TSXコードを渡すとMP4が得られます。useCurrentFrame、useVideoConfig、spring、interpolate、AbsoluteFill、Sequenceなど、すべてのRemotion APIをサポートしています。解像度、FPS、長さ、コーデックを設定可能です。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、コードから動画をレンダリング、tsxから動画へ、react動画、プログラムによる動画、remotionレンダリング、コードから動画へ、アニメーション...
infsh-cli
skills-101
inference.sh CLI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
skills-101
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の心理学を網羅。ファーストビューの公式、ソーシャルプルーフの配置、モバイルデザイン、Fパターンの視線誘導をカバー。用途:スタートアップのランディングページ、商品ページ、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、ファーストビュー、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、商品ページデザイン、コンバージョン率、ランディングページ...
designmarketing
product-photography
skills-101
AIによる商品撮影。スタジオ照明、ライフスタイルショット、パックショットの慣例に対応。アングル、背景、影の種類、ヒーローショット、Eコマース画像要件をカバー。用途: 商品写真、Eコマース画像、Amazonリスティング、パックショット、ライフスタイル撮影。トリガー: 商品撮影、商品写真、パックショット、Eコマース撮影、プロダクトショット、商品画像、スタジオ撮影、ライフスタイル商品、Amazon商品写真、商品リスティング画像、ヒーローショット、商品モックアップ、...