StagehandAI 浏览器自动化 SDK 开源多语言方案

从自然语言到浏览器动作

Stagehand 把操作网页的指令从代码选择器换成了自然语言描述，例如让系统去点击提交按钮，而不必先写死某个 CSS 或 XPath。

这种做法的前提是，页面内容需要被大语言模型理解，因此它不是在纯选择器路径上替换语法，而是引入了一层语义判断。

对于需要构建可靠网页智能体的开发者来说，这个 SDK 的定位就是让自动化脚本在网页结构变化时仍然可维护，同时执行流程的控制权没有被完全让渡出去。

开发者决定哪一步交给 AI

Stagehand 并不要求整条自动化链路都走模型推理。哪些环节由 AI 处理、哪些环节继续用确定性的代码逻辑，可以由开发者自行划分。

这样一来，脚本既保留了传统自动化方式的可预测性，又能在页面理解上借助语义能力。它适合的场景是：需要操作网页，但不愿被固定选择器完全绑死的工作流。

四个原语各自负责什么

Stagehand 的核心能力由四个原语构成，分别对应浏览器操作、信息提取、页面分析和多步工作流执行。

act() 接收自然语言，用来完成点击、输入、滚动和导航这类浏览器动作。

extract() 按照开发者给定的数据结构从页面中取出信息，并且支持模式验证。

observe() 的作用是分析当前页面，返回可交互元素和可执行操作，让开发者了解页面上有什么可以继续做。

agent() 面向的是需要多个步骤的自主浏览器工作流，例如完成一套复杂业务流程。

多语言支持与运行环境

这个 SDK 使用 TypeScript、Python 和 Go 三种语言提供支持，不同技术栈的团队都可以接入。

运行环境覆盖 Windows、macOS 和 Linux，资源大小为 238.76MB，在 AI 源码与工具分类下以 Stagehand 为标签。