Stagehand，给浏览器装个会动手的实习生。。。

今天刷到个新玩意儿，Stagehand，有点意思…别急着给它贴“又一个爬虫库”的标签，我更想把它当成：给浏览器装了个“会动手的实习生”。你在代码里丢句“去官网点快速开始，然后把定价页抓下来”，它就能把浏览器拽起来干活：定位元素、点击、填写表单、抽取信息，整套流程像搭乐高一样拼起来，关键还不脆，出错会自己补救两下再试。官方说它是给生产级自动化和 AI Agent 用的框架，兼容一票 Chromium 家族，Chrome、Edge、Arc、Brave 都行，开发体验不挑食。

好玩的点在于它把“AI+代码”的分工做得很顺手：底层还是 Playwright 的稳定盘，面上却给了三个超顺口的小原语——act / extract / observe，像喊人干活一样自然；要写脚本，就像给实习生发清单，剩下细枝末节交给它。官方还有个示例 Agent 就靠这三板斧在跑。

我最会心一笑的是它把 MCP 拉进来了。简单说，你可以把 Stagehand 接成 Claude 等模型的“浏览器手”，用聊天的方式让它开网页、点按钮、扒数据，甚至把外部工具（搜索、数据库、API）串成一条链，变成一个可追问、可复用的小工作流。装法也不复杂，支持本地 STDIO 和托管的 SHTTP，开箱即用。

“可靠”这事它也有点工程味：交互被拆成原子步骤，脚本更可预期；页面忽然变形了？让 LLM来兜底找元素；同一流程跑多次还能命中缓存、越跑越便宜；最关键是可观测性做得清清楚楚——你能看到发给模型的指令、返回、以及命中几次缓存，排错不再看玄学日志。

顺带插一句“模型选择焦虑”：默认走 Gemini 2.0 Flash，但也能自己换成别家（OpenAI、等等），自备 API Key 就行。这个对团队很友好——谁便宜用谁，谁稳用谁。

要真落地，我脑补了几个“上头场景”——

内容团队做“半自动出稿”：act 导航搜集、extract 结构化成段，末尾丢给写作链路润色；遇到网站 A/B 实验换了按钮文案也不慌。 增长同学跑竞品巡检：每天登录 N 个后台抓两张关键报表，失败自动重试一次，失败原因日志可读，人一眼就能补刀。 Agent 团队把它当“浏览器外设”：对话里一句“去把 Hacker News 今天 Top10 做个结构化摘要”，MCP 驱动一遍点、看、抽取，回头给个干净的 digest。

部署层面，它既有开源 SDK，也有配套的云侧 API 与浏览器基础设施（Browserbase）打配合：你写的就是动作意图，云上替你管大规模浏览器、扩缩、维护，这对不想自己运维 CDP 的团队太省心了。

当然别神化。所有“AI 驱动自动化”的老毛病它也逃不开：模型偶尔会看走眼、网页极端态会抽风；所以第一周建议开着详细日志，把关键页面做兜底校验（例如校验到期望文本或响应码再继续），别把“可用性”全压在模型上。这个思路它官方也在强调：原子化步骤+自愈重试+可观测，组合拳才能稳。 要不要上手？给你一个“午后就能跑起来”的三步闭环： 1.用 TypeScript 或 Python 拉起脚手架，跑通一个最小流程：打开站点→点击“快速开始”→extract 标题与链接；跑完把日志过一遍，熟悉它的“指令—动作—回执”节奏。 2.把流程切成两类块：强规则（登录、跳转）用选择器/断言兜底，弱规则（按钮文案变体、动态列表）交给 act/observe；用缓存把高频步骤收敛成本。 3.接上 MCP，给你的 Agent 多长一只“浏览器手”，把外部 API 一起接进来，做一次真场景演练（比如：搜票→筛→下单前校验）。

对了，它今年还更了 v3，社区动静不小，往“更快、更开放”的方向在走，这种节奏对想押生产的团队挺友好。

反正嘛，如果你也在被“脚本易碎、选择器地狱、回归一改全崩”折磨，Stagehand算是个像样的止痛片。不是魔法棒，但把“人写规则”和“AI补感知”掺在一起——噪音关小、重点放大，能省下你不少调试时间…行了，我去把我们家那个“周一晨报”机器人也换上它试试，看看能不能少掉两条告警。

-END-

我为大家打造了一份RPA教程，完全免费：songshuhezi.com/rpa.html