浏览器自动化

Hermes Agent 包含一套完整的浏览器自动化工具集，并提供多种后端选项：

• Browserbase 云模式 —— 通过 Browserbase 提供托管云浏览器和反检测工具。
• Browser Use 云模式 —— 通过 Browser Use 提供的另一种云浏览器方案。
• Firecrawl 云模式 —— 通过 Firecrawl 提供内置抓取功能的云浏览器。
• Camofox 本地模式 —— 通过 Camofox 进行本地反检测浏览（基于 Firefox 的指纹伪装）。
• 通过 CDP 连接本地 Chrome —— 使用 /browser connect 将浏览器工具连接到你自己的 Chrome 实例。
• 本地浏览器模式 —— 通过 agent-browser 命令行界面和本地 Chromium 安装进行操作。

在所有模式下，智能体（Agent）均可进行网页导航、与页面元素交互、填写表单以及提取信息。

概览

页面以 辅助功能树 (accessibility trees)（基于文本的快照）的形式呈现，非常适合 LLM 智能体。交互元素会获得参考 ID（如 @e1, @e2），智能体通过这些 ID 进行点击和输入操作。

核心能力：

• 多服务商云端执行 — 支持 Browserbase、Browser Use 或 Firecrawl — 无需本地浏览器
• 本地 Chrome 集成 — 通过 CDP 连接到你正在运行的 Chrome，进行实操浏览
• 内置隐身功能 — 随机指纹、验证码识别、住宅代理 (Browserbase)
• 会话隔离 — 每个任务拥有独立的浏览器会话
• 自动清理 — 闲置会话在超时后将自动关闭
• 视觉分析 — 截图 + AI 分析，用于视觉理解

设置

Nous 订阅者

如果你拥有付费的 Nous Portal 订阅，可以直接通过 Tool Gateway 使用浏览器自动化，无需任何额外的 API 密钥。运行 hermes model 或 hermes tools 即可启用。

Browserbase 云模式

若要使用 Browserbase 托管的云浏览器，请添加：

# 添加到 ~/.hermes/.env
BROWSERBASE_API_KEY=***
BROWSERBASE_PROJECT_ID=your-project-id-here

在 browserbase.com 获取你的凭据。

Browser Use 云模式

若要使用 Browser Use 作为你的云浏览器服务商，请添加：

# 添加到 ~/.hermes/.env
BROWSER_USE_API_KEY=***

在 browser-use.com 获取你的 API 密钥。Browser Use 通过其 REST API 提供云浏览器。如果同时设置了 Browserbase 和 Browser Use 的凭据，Browserbase 将优先使用。

Firecrawl 云模式

若要使用 Firecrawl 作为你的云浏览器服务商，请添加：

# 添加到 ~/.hermes/.env
FIRECRAWL_API_KEY=fc-***

在 firecrawl.dev 获取你的 API 密钥。然后选择 Firecrawl 作为浏览器服务商：

hermes setup tools
# → Browser Automation → Firecrawl

可选设置：

# 自托管 Firecrawl 实例（默认：https://api.firecrawl.dev）
FIRECRAWL_API_URL=http://localhost:3002

# 会话生存时间（TTL），单位为秒（默认：300）
FIRECRAWL_BROWSER_TTL=600

混合路由：云端用于公共 URL，本地用于 LAN/localhost

当配置了云服务商时，Hermes 会自动为解析到私有/回环/局域网地址的 URL 启动一个 本地 Chromium 边车 (local Chromium sidecar)。受支持的地址包括：localhost、127.0.0.1、192.168.x.x、10.x.x.x、172.16-31.x.x、*.local、*.lan、*.internal、IPv6 回环地址 ::1 以及链路本地地址 169.254.x.x。在同一对话中，公共 URL 则继续使用云服务商。

这解决了常见的 “在本地开发但使用 Browserbase” 的工作流——智能体可以对 http://localhost:3000 处的仪表盘进行截图，同时 抓取 [https://github.com](https://github.com)，而无需你切换服务商或禁用 SSRF 防护。云服务商永远不会看到私有 URL。

该功能 默认开启。若要禁用它（使所有 URL 像以前一样指向配置的云服务商）：

~/.hermes/config.yaml

browser:
  cloud_provider: browserbase
  auto_local_for_private_urls: false

在禁用自动路由后，除非你同时设置 browser.allow_private_urls: true，否则私有 URL 将被拒绝并提示 "Blocked: URL targets a private or internal address"（即使开启，云服务商通常也无法访问你的局域网）。

要求： 本地边车使用与纯本地模式相同的 agent-browser CLI，因此你需要安装它（可通过 hermes setup tools → Browser Automation 自动安装）。从公共 URL 重定向到私有地址的操作仍会被拦截（你无法通过公共路径利用重定向技巧触达局域网）。

Camofox 本地模式

Camofox 是一个自托管的 Node.js 服务器，封装了 Camoufox（一个具有 C++ 指纹伪装功能的 Firefox 分支）。它提供不依赖云端的本地反检测浏览。

# 首先克隆 Camofox 浏览器服务器
git clone https://github.com/jo-inc/camofox-browser
cd camofox-browser

# 使用默认容器设置通过 Docker 构建并启动
# (自动检测架构：M1/M2 为 aarch64, Intel 为 x86_64)
make up

# 停止并移除默认容器
make down

# 强制清理并重新构建 (例如在升级 VERSION/RELEASE 后)
make reset

# 仅下载二进制文件而不构建
make fetch

# 显式覆盖架构或版本
make up ARCH=x86_64
make up VERSION=135.0.1 RELEASE=beta.24

make up 会立即启动默认容器。如果你需要自定义运行时设置，如更大的 Node 堆内存、VNC 或持久化配置目录，请先构建镜像然后手动运行：

# 构建镜像而不启动默认容器
make build

# 启动并开启持久化、VNC 实时视图和更大的 Node 堆内存
mkdir -p ~/.camofox-docker
docker run -d \
  --name camofox-browser \
  --restart unless-stopped \
  -p 9377:9377 \
  -p 6080:6080 \
  -p 5901:5900 \
  -e CAMOFOX_PORT=9377 \
  -e ENABLE_VNC=1 \
  -e VNC_BIND=0.0.0.0 \
  -e VNC_RESOLUTION=1920x1080 \
  -e MAX_OLD_SPACE_SIZE=2048 \
  -v ~/.camofox-docker:/root/.camofox \
  camofox-browser:135.0.1-aarch64

启用 VNC 后，浏览器以有头模式运行，并可通过浏览器在 http://localhost:6080 (noVNC) 进行实时观看。你也可以使用原生 VNC 客户端连接到 localhost:5901。

如果你已经运行了 make up，在启动自定义容器前请先停止并移除默认容器：

make down
# 然后运行上方的自定义 docker run 命令

然后在 ~/.hermes/.env 中设置：

CAMOFOX_URL=http://localhost:9377

或通过 hermes tools → Browser Automation → Camofox 进行配置。

当设置了 CAMOFOX_URL 后，所有浏览器工具将自动路由至 Camofox，而非 Browserbase 或 agent-browser。

持久化浏览器会话

默认情况下，每个 Camofox 会话都会获得一个随机身份——Cookie 和登录状态在智能体重启后不会保留。若要启用持久化会话，请在 ~/.hermes/config.yaml 中添加：

browser:
  camofox:
    managed_persistence: true

然后完全重启 Hermes 以应用新配置。

嵌套路径非常重要

Hermes 读取的是 browser.camofox.managed_persistence，而不是顶层的 managed_persistence。常见的错误写法是：

# ❌ 错误 — Hermes 会忽略此项
managed_persistence: true

如果标志位放置路径错误，Hermes 会默默回退到随机的临时 userId，你的登录状态将在每次会话中丢失。

Hermes 的工作内容：

1. 向 Camofox 发送确定性的配置域 userId，以便服务器在会话间重用同一个 Firefox 配置。
2. 在清理时跳过服务器端的上下文销毁，使 Cookie 和登录状态在不同任务间得以保留。
3. 将 userId 作用域限定在当前的 Hermes Profile，从而实现不同 Hermes Profile 之间的浏览器配置隔离。

Hermes 不做的工作：

• 它不会强制 Camofox 服务器进行持久化。Hermes 仅发送一个稳定的 userId；服务器必须通过将该 userId 映射到持久化 Firefox 配置目录来响应。
• 如果你的 Camofox 服务器构建将每个请求都视为临时请求（例如总是调用 browser.newContext() 而不加载存储的配置），Hermes 无法实现会话持久化。请确保运行的 Camofox 构建版本支持基于 userId 的配置持久化。

验证是否生效：

1. 启动 Hermes 和你的 Camofox 服务器。
2. 在浏览器任务中打开 Google（或任何登录页面）并手动登录。
3. 正常结束浏览器任务。
4. 启动一个新的浏览器任务。
5. 再次打开同一网站——你应该仍处于登录状态。

如果第 5 步将你登出了，说明 Camofox 服务器没有遵循稳定的 userId。请双击检查你的配置路径，确认在编辑 config.yaml 后已完全重启 Hermes，并验证你的 Camofox 服务器版本是否支持持久化的多用户配置（per-user profiles）。

状态存储位置

Hermes 从 Profile 作用域下的目录 ~/.hermes/browser_auth/camofox/（或非默认 Profile 下 $HERMES_HOME 对应的路径）派生出稳定的 userId。实际的浏览器配置数据存储在 Camofox 服务器端，并以该 userId 作为键值。若要完全重置持久化配置，请清除 Camofox 服务器上的数据，并删除对应的 Hermes Profile 状态目录。

外部管理的 Camofox 会话

当另一个应用正在驱动可见的 Camofox 浏览器（如桌面助手、自定义集成或其他智能体）时，可以配置 Hermes 在该身份内运行，而不是生成独立的配置文件。

由三个参数控制此行为：

设置项	环境变量	效果
browser.camofox.user_id	CAMOFOX_USER_ID	Hermes 创建标签页时使用的 Camofox userId。设置此项即进入“外部管理”模式。
browser.camofox.session_key	CAMOFOX_SESSION_KEY	创建标签页时发送的 sessionKey（即 listItemId）。用于在接管时匹配现有标签页。未设置时默认为按任务生成的值。
browser.camofox.adopt_existing_tab	CAMOFOX_ADOPT_EXISTING_TAB	为 true 时，Hermes 在首次使用时调用 GET /tabs?userId=<user_id>，并优先重用现有标签页。

环境变量优先级高于 config.yaml。两种形式均可：

browser:
  camofox:
    user_id: shared-camofox
    session_key: visible-tab
    adopt_existing_tab: true

或

CAMOFOX_USER_ID=shared-camofox
CAMOFOX_SESSION_KEY=visible-tab
CAMOFOX_ADOPT_EXISTING_TAB=true

设置 user_id 后的变化：

• Hermes 在任务结束时跳过破坏性清理（等同于 managed_persistence: true）。其他应用的标签页/Cookie/配置将得以保留。
• Hermes 不会调用 DELETE /sessions/<user_id> —— 该接口会清空所有用户数据，调用它会摧毁外部应用的会话。

标签页接管工作原理（当 adopt_existing_tab: true 时）：

1. 进程启动后的首次浏览器工具调用，Hermes 发出 GET /tabs?userId=<user_id>（5秒超时）。
2. 如果响应中任何标签页的 listItemId == session_key，Hermes 将接管该组中最近创建的一个。
3. 否则，Hermes 将接管该用户最近创建的标签页（不限 listItemId）。
4. 如果不存在标签页或请求失败，Hermes 将在下一步操作中退而创建一个新标签页。

接管操作仅在会话的 tab_id 被填充之前触发。如果外部应用在运行中途关闭了被接管的标签页，下一次浏览器工具调用将抛出 Camofox 错误 —— Hermes 不会在每次调用时都重新轮询以获取新的标签页。

选择 session_key： 如果你希望 Hermes 可靠地连接到某个 特定 的现有标签页，请将 session_key 设置为外部应用创建该标签页时使用的 listItemId。如果你不设置 session_key 仅设置 user_id，Hermes 会生成一个按任务区分的 session_key (task_<id>) —— 此时 Hermes 将与外部应用共享 Cookie 和配置，但会开启自己的标签页。

并发说明： 外部应用和 Hermes 可以同时驱动同一个 Camofox userId，但 Camofox 不会在客户端之间协调标签页焦点。请在应用层协调所有权（例如在 Hermes 运行时暂停外部应用）。

VNC 实时视图

当 Camofox 在有头模式（带有可见浏览器窗口）下运行时，它会在健康检查响应中暴露 VNC 端口。Hermes 会自动发现该端口并在导航响应中包含 VNC URL，以便智能体分享链接供你实时观看浏览器操作。

通过 CDP 连接本地 Chrome (/browser connect)

你可以通过 Chrome 开发者工具协议 (CDP) 将 Hermes 浏览器工具连接到你自己正在运行的 Chrome 实例，以此替代云服务商。当你希望实时观察智能体的操作、在需要个人 Cookie/会话的页面上进行交互，或者为了节省云浏览器成本时，这种方式非常有用。

信息

/browser connect 是一个 交互式 CLI 斜杠命令 —— 它不通过网关转发。如果你尝试在 WebUI、Telegram、Discord 或其他网关聊天中运行它，该消息将作为纯文本发送给智能体，命令不会执行。请从终端启动 Hermes（使用 hermes 或 hermes chat）并在此处输入 /browser connect。

在 CLI 中，使用以下命令：

/browser connect              # Connect to Chrome at ws://localhost:9222
/browser connect ws://host:port  # Connect to a specific CDP endpoint
/browser status               # Check current connection
/browser disconnect            # Detach and return to cloud/local mode

如果 Chrome 尚未开启远程调试运行，Hermes 会尝试以 --remote-debugging-port=9222 参数自动启动它。

提示

若要手动启动启用 CDP 的 Chrome，请使用专用的用户数据目录（user-data-dir），这样即使 Chrome 已经以普通配置文件运行，调试端口也能正常开启：

Linux:

google-chrome \
  --remote-debugging-port=9222 \
  --user-data-dir=$HOME/.hermes/chrome-debug \
  --no-first-run \
  --no-default-browser-check &

macOS:

"/Applications/Google Chrome.app/Contents/MacOS/Google Chrome" \
  --remote-debugging-port=9222 \
  --user-data-dir="$HOME/.hermes/chrome-debug" \
  --no-first-run \
  --no-default-browser-check &

然后启动 Hermes CLI 并运行 /browser connect。

为什么要使用 --user-data-dir？ 如果不指定此参数，在已有普通 Chrome 实例运行时启动 Chrome 通常只会打开现有进程的一个新窗口——而该现有进程启动时并未携带 --remote-debugging-port 参数，因此 9222 端口永远不会开启。专用的用户数据目录会强制启动一个全新的 Chrome 进程，从而使调试端口真正处于监听状态。--no-first-run --no-default-browser-check 则为新配置文件跳过了首次启动向导。

通过 CDP 连接后，所有浏览器工具（browser_navigate、browser_click 等）都将在你的实时 Chrome 实例中操作，而不会开启云端会话。

WSL2 + Windows Chrome：优先使用 MCP 而非 /browser connect

如果 Hermes 运行在 WSL2 内部，而你想要控制的 Chrome 窗口运行在 Windows 宿主机上，/browser connect 通常不是最佳路径。

原因：

• /browser connect 要求 Hermes 自身能够连接到一个可用的 CDP 终端节点。
• 现代 Chrome 的实时调试会话通常暴露的是宿主机本地（host-local）终端节点，它不像传统的 9222 端口那样可以直接从 WSL 访问。
• 即使 Windows 端的 Chrome 是可调试的，最简洁的集成方式通常是让 Windows 端的浏览器 MCP 服务端连接到 Chrome，然后让 Hermes 与该 MCP 服务端通信。

对于这种配置，建议通过 Hermes 的 MCP 支持来使用 chrome-devtools-mcp。

具体设置方法请参考 MCP 指南：

• 在 Hermes 中使用 MCP

本地浏览器模式

如果你 没有 设置任何云端凭据，也没有使用 /browser connect，Hermes 仍可以通过由 agent-browser 驱动的本地 Chromium 安装来使用浏览器工具。

可选环境变量

# 住宅代理，用于更好的验证码识别（默认："true"）
BROWSERBASE_PROXIES=true

# 使用自定义 Chromium 的高级隐身功能 —— 需要 Scale 方案（默认："false"）
BROWSERBASE_ADVANCED_STEALTH=false

# 断开连接后的会话重连 —— 需要付费方案（默认："true"）
BROWSERBASE_KEEP_ALIVE=true

# 自定义会话超时，单位为毫秒（默认：项目默认值）
# 示例：600000 (10分钟), 1800000 (30分钟)
BROWSERBASE_SESSION_TIMEOUT=600000

# 自动清理前的空闲超时，单位为秒（默认：120）
BROWSER_INACTIVITY_TIMEOUT=120

安装 agent-browser CLI

npm install -g agent-browser
# 或者在仓库本地安装：
npm install

信息

browser 工具集必须包含在配置的 toolsets 列表中，或通过 hermes config set toolsets '["hermes-cli", "browser"]' 启用。

可用工具

browser_navigate

导航至指定 URL。必须在调用任何其他浏览器工具之前调用。该操作会初始化 Browserbase 会话。

Navigate to https://github.com/NousResearch

提示

对于简单的信息检索，优先使用 web_search 或 web_extract —— 它们更快速且成本更低。仅在需要与页面 交互（点击按钮、填写表单、处理动态内容）时使用浏览器工具。

browser_snapshot

获取当前页面辅助功能树（accessibility tree）的文本快照。返回带有引用 ID（如 @e1, @e2）的交互元素，供 browser_click 和 browser_type 使用。

• full=false（默认）：仅显示交互元素的精简视图
• full=true：完整的页面内容

超过 8000 字符的快照将由 LLM 自动进行总结。

browser_click

点击快照中通过引用 ID 识别的元素。

点击 `@e5` 以按下 “登录” 按钮

browser_type

在输入框中输入文本。操作会先清空输入框，然后输入新文本。

在搜索框 `@e3` 中输入 "hermes agent"

browser_scroll

向上或向下滚动页面以显示更多内容。

向下滚动以查看更多结果

browser_press

按下键盘按键。适用于提交表单或导航。

按 `Enter` 键提交表单

支持的按键：Enter, Tab, Escape, ArrowDown, ArrowUp 等。

browser_back

返回浏览器历史记录中的上一页。

browser_get_images

列出当前页面上的所有图片及其 URL 和替代文本（alt text）。适用于查找需要分析的图片。

browser_vision

截取屏幕截图并使用视觉 AI 进行分析。当文本快照无法捕捉到重要的视觉信息时使用——尤其适用于验证码、复杂布局或视觉验证挑战。

屏幕截图会持久化保存，并随 AI 分析结果一起返回文件路径。在即时通讯平台（Telegram, Discord, Slack, WhatsApp）上，你可以要求智能体分享截图 —— 它将通过 MEDIA: 机制以原生照片附件的形式发送。

该页面上的图表显示了什么内容？

截图存储在 ~/.hermes/cache/screenshots/ 中，并在 24 小时后自动清理。

browser_console

获取当前页面的浏览器控制台输出（log/warn/error 信息）以及未捕获的 JavaScript 异常。这对于检测那些不会出现在辅助功能树中的隐性 JS 错误至关重要。

检查浏览器控制台是否存在任何 JavaScript 错误

• 调用时使用 clear=True 可在读取后清空控制台，使后续调用仅显示新消息。
• 当带有 expression 参数调用时，browser_console 还可以执行 JavaScript —— 其形式与 DevTools 控制台相同，结果将以解析后的形式返回（JSON 序列化对象变为字典；原始值保持原始类型）。

browser_console(expression="document.querySelector('h1').textContent")
browser_console(expression="JSON.stringify(performance.timing)")

当当前会话有激活的 CDP 监控器（CDP supervisor）时（通常适用于任何针对支持 CDP 的后端运行 browser_navigate 的会话），执行将通过监控器的持久 WebSocket 运行 —— 无子进程启动开销。否则将回退到标准的 agent-browser CLI 路径。两种方式的行为完全一致，仅延迟有所不同。

browser_cdp

原生 Chrome DevTools Protocol 透传 —— 这是处理其他工具未覆盖的浏览器操作的 “逃生舱”。用于原生对话框处理、iframe 作用域下的脚本执行、Cookie/网络控制，或智能体需要的任何 CDP 指令。

注意： 仅当会话启动时 CDP 终端节点可达时可用 —— 即已通过 /browser connect 连接到运行中的 Chrome，或在 config.yaml 中设置了 browser.cdp_url。默认的本地 agent-browser 模式、Camofox 以及云服务商（Browserbase, Browser Use, Firecrawl）目前暂未向此工具开放 CDP —— 云服务商虽然有针对每个会话的 CDP URL，但实时会话路由功能仍在后续开发中。

CDP 方法参考：https://chromedevtools.github.io/devtools-protocol/ —— 智能体可以通过 web_extract 抓取特定方法的页面来查找参数和返回形式。

常见模式：

# 列出标签页（浏览器级别，无 target_id）
browser_cdp(method="Target.getTargets")

# 处理标签页上的原生 JS 对话框
browser_cdp(method="Page.handleJavaScriptDialog",
            params={"accept": true, "promptText": ""},
            target_id="<tabId>")

# 在特定标签页中执行 JS
browser_cdp(method="Runtime.evaluate",
            params={"expression": "document.title", "returnByValue": true},
            target_id="<tabId>")

# 获取所有 Cookie
browser_cdp(method="Network.getAllCookies")

浏览器级别的方法（Target.*, Browser.*, Storage.*）省略 target_id。页面级别的方法（Page.*, Runtime.*, DOM.*, Emulation.*）需要从 Target.getTargets 获取 target_id。每次无状态调用都是独立的 —— 会话不会在调用之间持久保留。

跨域 iframe： 传递 frame_id（来自 browser_snapshot.frame_tree.children[] 中 is_oopif=true 的部分），通过监控器的实时会话为该 iframe 路由 CDP 调用。这就是在 Browserbase 上于跨域 iframe 内运行 Runtime.evaluate 的方式，因为无状态的 CDP 连接会因签名 URL 过期而失效。示例：

browser_cdp(
  method="Runtime.evaluate",
  params={"expression": "document.title", "returnByValue": True},
  frame_id="<来自 browser_snapshot 的 frame_id>",
)

同源 iframe 不需要 frame_id —— 请改用顶层 Runtime.evaluate 中的 document.querySelector('iframe').contentDocument。

browser_dialog

响应原生 JS 对话框（alert / confirm / prompt / beforeunload）。在此工具出现之前，对话框会静默阻塞页面的 JavaScript 线程，导致后续的 browser_* 调用挂起或报错；现在，智能体可以在 browser_snapshot 的输出中看到待处理的对话框并做出显式响应。

工作流：

1. 调用 browser_snapshot。如果对话框阻塞了页面，它会显示为 pending_dialogs: [{"id": "d-1", "type": "alert", "message": "..."}]。
2. 调用 browser_dialog(action="accept") 或 browser_dialog(action="dismiss")。对于 prompt() 对话框，传递 prompt_text="..." 提供回复内容。
3. 重新执行快照 —— pending_dialogs 为空；页面的 JS 线程已恢复运行。

检测通过持久的 CDP 监控器 自动完成 —— 每个任务一个 WebSocket，订阅 Page/Runtime/Target 事件。该监控器还会在快照中填充 frame_tree 字段，以便智能体查看当前页面的 iframe 结构，包括跨域（OOPIF）iframe。

可用性矩阵：

后端	通过 pending_dialogs 检测	响应（browser_dialog 工具）
通过 /browser connect 或 browser.cdp_url 连接的本地 Chrome	✓	✓ 完整工作流
Browserbase	✓	✓ 完整工作流（通过注入的 XHR 桥接）
Camofox / 默认本地 agent-browser	✗	✗（无 CDP 终端节点）

在 Browserbase 上的工作原理： Browserbase 的 CDP 代理会在服务器端约 10ms 内自动关闭真实的原生对话框，因此我们无法使用 Page.handleJavaScriptDialog。监控器通过 Page.addScriptToEvaluateOnNewDocument 注入一小段脚本，用同步 XHR 覆盖 window.alert/confirm/prompt。我们通过 Fetch.enable 拦截这些 XHR —— 页面的 JS 线程会一直阻塞在 XHR 上，直到我们调用 Fetch.fulfillRequest 并返回智能体的响应内容。prompt() 的返回值会原样转回页面 JS。

对话框策略 在 config.yaml 的 browser.dialog_policy 下配置：

策略	行为
must_respond（默认）	捕获对话框，在快照中显示，等待显式的 browser_dialog() 调用。为防止 Bug 导致无限挂起，会在 browser.dialog_timeout_s（默认 300s）后自动关闭。
auto_dismiss	捕获对话框并立即关闭。智能体仍能在 browser_state 历史中看到对话框，但无需操作。
auto_accept	捕获对话框并立即接受。在浏览具有强制性 beforeunload 提示的页面时很有用。

browser_snapshot.frame_tree 中的 Frame tree 被限制为最多 30 个 frame 且 OOPIF 深度为 2，以保持广告密集型页面的负载大小可控。当触发限制时会显示 truncated: true 标志；需要完整树结构的智能体可以使用带有 Page.getFrameTree 的 browser_cdp。

实际案例

填写网页表单

**用户：** 使用我的邮箱 john@example.com 在 example.com 上注册一个账号。

**智能体工作流：**

1. browser_navigate("https://example.com/signup")
2. browser_snapshot() → 看到带有引用 ID 的表单字段
3. browser_type(ref="@e3", text="john@example.com")
4. browser_type(ref="@e5", text="SecurePass123")
5. browser_click(ref="@e8") → 点击 “Create Account” (创建账号)
6. browser_snapshot() → 确认是否操作成功

研究动态内容

**用户：** GitHub 上现在的热门仓库有哪些？

**智能体工作流：**

1. browser_navigate("[https://github.com/trending](https://github.com/trending)")
2. browser_snapshot(full=true) → 读取热门仓库列表
3. 返回格式化后的结果

会话录制

自动将浏览器会话录制为 WebM 视频文件：

browser:
  record_sessions: true  # 默认值：false

启用后，录制会在第一次执行 browser_navigate 时自动开始，并在会话关闭时保存到 ~/.hermes/browser_recordings/。该功能在本地模式和云端模式（Browserbase）下均可使用。超过 72 小时的录制文件将被自动清理。

隐身功能

Browserbase 提供自动隐身能力：

功能	默认状态	备注
基础隐身 (Basic Stealth)	始终开启	随机指纹、视口随机化、验证码识别
住宅代理 (Residential Proxies)	开启	通过住宅 IP 路由以获得更好的访问权限
高级隐身 (Advanced Stealth)	关闭	自定义 Chromium 构建，需要 Scale 方案
保持活动 (Keep Alive)	开启	在网络波动后支持会话重连

信息

如果你的方案中不包含某些付费功能，Hermes 会自动进行回退 —— 首先禁用 keepAlive，然后是代理 —— 以确保在免费方案下仍能正常浏览。

会话管理

• 每个任务都通过 Browserbase 获得一个隔离的浏览器会话。
• 会话在处于非活动状态后会自动清理（默认：2 分钟）。
• 后台线程每 30 秒检查一次陈旧会话。
• 进程退出时会运行紧急清理，以防止产生孤儿会话。
• 会话通过 Browserbase API 释放（REQUEST_RELEASE 状态）。

局限性

• 基于文本的交互 —— 依赖于辅助功能树（accessibility tree），而非像素坐标。
• 快照大小 —— 大型页面可能会被截断，或在达到 8000 字符时由 LLM 进行总结。
• 会话超时 —— 云端会话会根据你服务商的方案设置而过期。
• 成本 —— 云端会话会消耗服务商额度；会话在对话结束或处于非活动状态后会自动清理。如需免费本地浏览，请使用 /browser connect。
• 无法下载文件 —— 无法从浏览器下载文件。