跳到主要内容

浏览器自动化（Browser Automation）

Hermes Agent 内置完整的浏览器自动化工具集，支持多种后端选项：

  • Browserbase 云端模式：通过 Browserbase 使用托管云端浏览器和反机器人工具
  • Browser Use 云端模式：通过 Browser Use 作为替代云端浏览器提供商
  • Firecrawl 云端模式：通过 Firecrawl 使用内置抓取功能的云端浏览器
  • Camofox 本地模式：通过 Camofox 实现本地反检测浏览（基于 Firefox 的指纹欺骗）
  • 本地 Chrome via CDP：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 CLI 和本地 Chromium 安装

在所有模式下，Agent 均可导航网站、与页面元素交互、填写表单和提取信息。

概述​

页面以无障碍树（基于文本的快照）表示，非常适合 LLM Agent。交互元素会获得引用 ID（如 @e1、@e2），Agent 使用它们进行点击和输入。

核心能力：

  • 多提供商云端执行 — Browserbase、Browser Use 或 Firecrawl — 无需本地浏览器
  • 本地 Chrome 集成 — 通过 CDP 连接到运行中的 Chrome 进行实时浏览
  • 内置隐身 — 随机指纹、验证码（CAPTCHA）解决、住宅代理（Browserbase）
  • 会话隔离 — 每个任务都有独立的浏览器会话
  • 自动清理 — 非活跃会话在超时后关闭
  • 视觉分析 — 截图 + AI 分析以实现视觉理解

设置​

Nous 订阅用户

如果你有付费的 Nous Portal 订阅，可以通过 Tool Gateway 使用浏览器自动化，无需单独的 API 密钥。运行 hermes model 或 hermes tools 来启用。

Browserbase 云端模式​

要使用 Browserbase 托管的云端浏览器，添加：

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

在 browserbase.com 获取凭证。

Browser Use 云端模式​

要使用 Browser Use 作为云端浏览器提供商，添加：

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

在 browser-use.com 获取 API 密钥。Browser Use 通过其 REST API 提供云端浏览器。如果同时设置了 Browserbase 和 Browser Use 凭证，Browserbase 优先。

Firecrawl 云端模式​

要使用 Firecrawl 作为云端浏览器提供商，添加：

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

在 firecrawl.dev 获取 API 密钥。然后选择 Firecrawl 作为浏览器提供商：

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 TTL（秒）（默认：300）
FIRECRAWL_BROWSER_TTL=600

混合路由：公网 URL 使用云端，LAN/localhost 使用本地​

当配置了云端提供商时，Hermes 会自动为解析到私有/回环/LAN 地址的 URL（localhost、127.0.0.1、192.168.x.x、10.x.x.x、172.16-31.x.x、*.local、*.lan、*.internal、IPv6 回环 ::1、链路本地 169.254.x.x）自动生成本地 Chromium 辅助进程。公网 URL 在同一对话中继续使用云端提供商。

这解决了常见的"本地开发但使用 Browserbase"场景——Agent 可以在 http://localhost:3000 截图你的仪表盘，同时也能抓取 https://github.com，无需切换提供商或禁用 SSRF 防护。云端提供商永远不会看到私有 URL。

该功能默认开启。要禁用（所有 URL 都发送到已配置的云端提供商，与之前一样）：

# ~/.hermes/config.yaml
browser:
  cloud_provider: browserbase
  auto_local_for_private_urls: false

禁用自动路由后，私有 URL 会返回 "Blocked: URL targets a private or internal address" 错误，除非你同时设置 browser.allow_private_urls: true（这让云端提供商尝试访问它们——通常无效，因为 Browserbase 等无法访问你的 LAN）。

要求：本地辅助进程使用与纯本地模式相同的 agent-browser CLI，因此需要安装它（hermes setup tools → Browser Automation 会自动安装）。从公网 URL 重定向到私有地址的情况仍会被阻止（不能通过重定向到内部的技巧通过公网路径访问你的 LAN）。

Camofox 本地模式​

Camofox 是一个自托管的 Node.js 服务器，封装了 Camoufox（带有 C++ 指纹欺骗的 Firefox 分支）。它提供无需云端依赖的本地反检测浏览。

# 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 上为 aarch64，Intel 上为 x86_64）
make up

# 停止并移除默认容器
make down

# 强制重新构建（例如升级 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 立即启动默认容器。如果需要自定义运行时设置（如更大的 Node 堆、VNC 或持久配置目录），先构建镜像然后自行运行：

# 构建镜像但不启动默认容器
make build

# 使用持久化、VNC 实时预览和更大 Node 堆启动
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，可通过浏览器访问 http://localhost:6080（noVNC）实时观看。也可以将原生 VNC 客户端连接到 localhost:5901。

如果已经运行了 make up，在启动自定义容器之前先停止并移除默认容器：

make down
# 然后运行上面的自定义 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 配置。

设置 CAMOFOX_URL 后，所有浏览器工具会自动通过 Camofox 路由，而非 Browserbase 或 agent-browser。

持久化浏览器会话​

默认情况下，每个 Camofox 会话获得随机身份——Cookie 和登录状态在 Agent 重启后不会保留。要启用持久化浏览器会话，在 ~/.hermes/config.yaml 中添加：

browser:
  camofox:
    managed_persistence: true

然后完全重启 Hermes 以使新配置生效。

嵌套路径很重要

Hermes 读取 browser.camofox.managed_persistence，而非顶层的 managed_persistence。常见错误是写成：

# ❌ 错误——Hermes 会忽略这个
managed_persistence: true

如果标志放在错误路径，Hermes 会静默回退到随机临时 userId，你的登录状态将在每次会话中丢失。

Hermes 的行为​
  • 向 Camofox 发送确定性的配置文件范围 userId，以便服务器可以跨会话复用相同的 Firefox 配置文件。
  • 清理时跳过服务端上下文销毁，使 Cookie 和登录状态在 Agent 任务之间保留。
  • 将 userId 限定在活跃的 Hermes 配置文件，因此不同的 Hermes 配置文件会获得不同的浏览器配置文件（配置文件隔离）。
Hermes 不做的事​
  • 它不强制 Camofox 服务器进行持久化。Hermes 只发送稳定的 userId；服务器必须通过将该 userId 映射到持久化 Firefox 配置文件目录来遵守。
  • 如果你的 Camofox 服务器构建将每个请求视为临时（例如，总是调用 browser.newContext() 而不加载存储的配置文件），Hermes 无法使这些会话持久化。确保你运行的是实现了基于 userId 的配置文件持久化的 Camofox 构建。
验证是否正常工作​
  1. 启动 Hermes 和你的 Camofox 服务器。
  2. 在浏览器任务中打开 Google（或任何登录网站）并手动登录。
  3. 正常结束浏览器任务。
  4. 启动新的浏览器任务。
  5. 再次打开相同的网站——你应该仍然处于登录状态。

如果第 5 步你被登出了，Camofox 服务器没有遵守稳定的 userId。检查配置路径，确认编辑 config.yaml 后完全重启了 Hermes，并验证你的 Camofox 服务器版本支持基于用户的持久化配置文件。

状态存放位置​

Hermes 从配置文件范围的目录 ~/.hermes/browser_auth/camofox/（或非默认配置文件的 $HERMES_HOME 下的等效目录）派生稳定的 userId。实际的浏览器配置文件数据存放在 Camofox 服务器端，以该 userId 为键。要完全重置持久化配置文件，在 Camofox 服务器端清除它，并删除对应的 Hermes 配置文件状态目录。

Camofox 会话的外部管理​

当另一个应用驱动可见的 Camofox 浏览器（桌面助手、自定义集成、其他 Agent）时，配置 Hermes 以在相同身份内操作，而不是生成其自己的隔离配置文件。

三个旋钮控制行为：

设置环境变量效果
browser.camofox.user_idCAMOFOX_USER_IDHermes 创建标签页时使用的 Camofox userId。设置此项会将会话切换到"外部管理"模式。
browser.camofox.session_keyCAMOFOX_SESSION_KEY创建标签页时发送的 sessionKey（又称 listItemId）。用于在采用时匹配现有标签页。如果未设置，默认为每个任务生成的值。
browser.camofox.adopt_existing_tabCAMOFOX_ADOPT_EXISTING_TAB为 true 时，Hermes 在首次使用时调用 GET /tabs?userId=<user_id> 并在创建新标签页之前重用现有标签页。

环境变量优先于 config.yaml。两种形式都可以：

browser:
  camofox:
    user_id: shared-camofox
    session_key: visible-tab
    adopt_existing_tab: true
CAMOFOX_USER_ID=shared-camofox
CAMOFOX_SESSION_KEY=visible-tab
CAMOFOX_ADOPT_EXISTING_TAB=true

设置 user_id 后有什么变化：

  • Hermes 跳过任务结束时的破坏性清理（与 managed_persistence: true 相同）。其他应用的标签页/Cookie/配置文件会保留。
  • Hermes 不会调用 DELETE /sessions/<user_id> —— 该端点会清除所有用户数据，因此如果触发，会清除外部应用的会话。

标签页采用工作原理（当 adopt_existing_tab: true 时）：

  1. 在进程启动后的第一个浏览器工具调用时，Hermes 发出 GET /tabs?userId=<user_id>（5秒超时）。
  2. 如果响应中的任何标签页具有 listItemId == session_key，Hermes 采用该组中最近创建的那个。
  3. 否则，Hermes 采用该用户最近创建的标签页（任何 listItemId）。
  4. 如果没有标签页存在或请求失败，Hermes 会在下一次操作时回退到创建新标签页。

采用只触发一次，直到会话填充了 tab_id。如果外部应用在运行中途关闭了采用的标签页，下一个浏览器工具调用将抛出 Camofox 错误 —— Hermes 不会在每次调用时重新轮询新标签页。

选择 session_key： 如果你想让 Hermes 可靠地附加到特定现有标签页，请将 session_key 设置为外部应用在创建它时使用的 listItemId。如果你不设置 session_key 而只设置 user_id，Hermes 会生成每个任务的 session_key（task_<id>） —— Hermes 将与外部应用共享 Cookie 和配置文件，但会在旁边打开自己的标签页，而不是重用现有标签页。

并发说明： 外部应用和 Hermes 可以同时驱动相同的 Camofox userId，但 Camofox 不会在客户端之间协调每个标签页的焦点。在应用层协调所有权（例如，外部应用在 Hermes 运行时暂停）。

VNC 实时预览​

当 Camofox 在有头模式下运行（浏览器窗口可见）时，它在健康检查响应中暴露 VNC 端口。Hermes 自动发现此端口并在导航响应中包含 VNC URL，这样 Agent 就可以分享链接让你实时观看浏览器。

本地 Chrome via CDP（/browser connect）​

你可以通过 Chrome DevTools Protocol（CDP）将 Hermes 浏览器工具连接到你自己运行的 Chrome 实例，而不是使用云端提供商。当你想实时看到 Agent 在做什么、与需要你自己 Cookie/会话的页面交互，或避免云端浏览器费用时，这非常有用。

备注

/browser connect 是一个交互式 CLI 斜杠命令——它不通过网关分发。如果你在 WebUI、Telegram、Discord、WhatsApp 或其他网关聊天中尝试运行它，消息会作为纯文本发送给 Agent，命令不会执行。请从终端启动 Hermes（hermes 或 hermes chat）并在那里使用 /browser connect。

在 CLI 中使用：

/browser connect              # 连接到 ws://localhost:9222 的 Chrome
/browser connect ws://host:port  # 连接到特定 CDP 端点
/browser status               # 检查当前连接
/browser disconnect            # 断开连接并返回云端/本地模式

如果 Chrome 还没有以远程调试方式运行，Hermes 会尝试使用 --remote-debugging-port=9222 自动启动它。

提示

要手动以 CDP 启用方式启动 Chrome，请使用专用的 user-data-dir，这样即使 Chrome 已经以普通配置文件运行，调试端口也能正常打开：

# 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。

为什么要用 --user-data-dir？ 如果不指定，当普通 Chrome 实例已在运行时启动 Chrome 通常会在现有进程上打开新窗口——而现有进程没有用 --remote-debugging-port 启动，所以端口 9222 永远不会打开。专用的 user-data-dir 强制启动一个新的 Chrome 进程，让调试端口实际监听。--no-first-run --no-default-browser-check 跳过新配置文件的首次启动向导。

通过 CDP 连接后，所有浏览器工具（browser_navigate、browser_click 等）都在你的实时 Chrome 实例上运行，而不是启动云端会话。

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

如果 Hermes 在 WSL2 内部运行，但你想控制的 Chrome 窗口在 Windows 宿主机上运行，/browser connect 通常不是最佳路径。

原因：

  • /browser connect 要求 Hermes 本身能到达可用的 CDP 端点
  • 现代 Chrome 实时调试会话通常暴露宿主机本地端点，与经典的 9222 端口不同，无法从 WSL 直接访问
  • 即使 Windows Chrome 可调试，最简洁的集成通常是让 Windows 端的浏览器 MCP 服务器连接到 Chrome，让 Hermes 与该 MCP 服务器通信

对于这种设置，优先通过 Hermes MCP 支持使用 chrome-devtools-mcp。

参见 MCP 指南了解实际设置：

本地浏览器模式​

如果你没有设置任何云端凭证，也没有使用 /browser connect，Hermes 仍然可以通过 agent-browser 驱动的本地 Chromium 安装使用浏览器工具。

可选环境变量​

# 更好 CAPTCHA 解决的住宅代理（默认："true"）
BROWSERBASE_PROXIES=true

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

# 断开连接后的会话重新连接——需要付费计划（默认："true"）
BROWSERBASE_KEEP_ALIVE=true

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

# 自动清理前的非活跃超时（秒）（默认：120）
BROWSER_INACTIVITY_TIMEOUT=120

# 额外的 Chromium 启动标志（逗号或换行分隔）。Hermes 在检测到 root 或
# AppArmor 限制的非特权用户命名空间（Ubuntu 23.10+、DGX Spark、许多容器镜像）时
# 自动注入 `--no-sandbox,--disable-dev-shm-usage`，
# 因此大多数用户不需要设置此项。仅在你需要 Hermes 不会自动添加的
# 标志时手动设置；设置此项会禁用自动注入。
AGENT_BROWSER_ARGS=--no-sandbox

安装 agent-browser CLI​

npm install -g agent-browser
# 或在仓库中本地安装：
npm install
信息

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

可用工具​

browser_navigate​

导航到 URL。必须在任何其他浏览器工具之前调用。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——它们更快更便宜。只有当你需要与页面交互（点击按钮、填写表单、处理动态内容）时才使用浏览器工具。

browser_snapshot​

获取当前页面无障碍树的基于文本的快照。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）：仅显示交互元素的紧凑视图
  • full=true：完整页面内容

超过 8000 个字符的快照会由 LLM 自动总结。

browser_click​

点击快照中通过引用 ID 标识的元素。

Click @e5 to press the "Sign In" button

browser_type​

在输入框中输入文本。先清除字段，然后输入新文本。

Type "hermes agent" into the search field @e3

browser_scroll​

向上或向下滚动页面以显示更多内容。

Scroll down to see more results

browser_press​

按下键盘按键。适用于提交表单或导航。

Press Enter to submit the form

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

browser_back​

在浏览器历史中返回上一页。

browser_get_images​

列出当前页面上的所有图片及其 URL 和 alt 文本。适用于查找要分析的图片。

browser_vision​

截图并用视觉 AI 分析。当文本快照无法捕获重要的视觉信息时使用——对于验证码（CAPTCHA）、复杂布局或视觉验证挑战尤为有用。

截图持久保存，文件路径与 AI 分析结果一起返回。在消息平台（Telegram、Discord、Slack、WhatsApp）上，你可以要求 Agent 分享截图——它将通过 MEDIA: 机制作为原生图片附件发送。

What does the chart on this page show?

截图存储在 ~/.hermes/cache/screenshots/ 中，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 消息）和未捕获的 JavaScript 异常。对于检测不出现在无障碍树中的静默 JS 错误至关重要。

Check the browser console for any JavaScript errors

使用 clear=True 读取后清除控制台，这样后续调用只显示新消息。

browser_console 在调用时还支持使用 expression 参数评估 JavaScript —— 与 DevTools 控制台相同的形状，结果会解析后返回（JSON 序列化的对象变为字典；原始值保持原样）。

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

当当前会话有活跃的 CDP 监督器时（典型情况是对支持 CDP 的后端运行过 browser_navigate 的任何会话），评估通过监督器的持久 WebSocket 运行 —— 没有子进程启动开销。否则会回退到标准的 agent-browser CLI 路径。行为在任何一种方式下都是相同的；只有延迟会变化。

browser_cdp​

原始 Chrome DevTools Protocol 直通——针对其他工具未涵盖的浏览器操作的终极手段。用于原生对话框处理、iframe 范围内的求值、Cookie/网络控制，或 Agent 需要的任何 CDP 命令。

仅在会话开始时可访问 CDP 端点时可用——即通过 /browser connect 连接到运行中的 Chrome，或在 config.yaml 中设置了 browser.cdp_url。默认本地 agent-browser 模式、Camofox 和云端提供商（Browserbase、Browser Use、Firecrawl）目前不向此工具暴露 CDP——云端提供商有每会话 CDP URL 但实时会话路由是后续工作。

CDP 方法参考： https://chromedevtools.github.io/devtools-protocol/ —— Agent 可以对特定方法页面使用 web_extract 查找参数和返回格式。

常见用法：

# 列出标签页（浏览器级别，无需 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")

浏览器级别方法（Target.*、Browser.*、Storage.*）省略 target_id。页面级别方法（Page.*、Runtime.*、DOM.*、Emulation.*）需要来自 Target.getTargets 的 target_id。每个无状态调用都是独立的——会话不在调用之间持久。

跨域 iframe： 传递 frame_id（来自 browser_snapshot.frame_tree.children[] 中 is_oopif=true 的项）以通过该 iframe 的监督器实时会话路由 CDP 调用。这是在 Browserbase 上 Runtime.evaluate 在跨域 iframe 内工作的方式，因为无状态 CDP 连接会遇到签名 URL 过期问题。示例：

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

同源 iframe 不需要 frame_id——可以在顶层 Runtime.evaluate 中使用 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，后续 browser_* 调用会挂起或抛出异常；现在 Agent 在 browser_snapshot 输出中看到待处理的对话框并明确响应。

工作流程：

  1. 调用 browser_snapshot。如果对话框正在阻塞页面，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="..." 来提供响应。
  3. 重新快照——pending_dialogs 为空；页面的 JS 线程已恢复。

检测通过持久化 CDP 监督器自动进行——每个任务一个 WebSocket，订阅 Page/Runtime/Target 事件。监督器还在快照中填充 frame_tree 字段，让 Agent 可以看到当前页面的 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 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 端点）

在 Browserbase 上的工作原理。 Browserbase 的 CDP 代理在 ~10ms 内自动在服务端驳回真正的原生对话框，所以无法使用 Page.handleJavaScriptDialog。监督器通过 Page.addScriptToEvaluateOnNewDocument 注入一个小脚本，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 线程在 XHR 上保持阻塞，直到我们用 Agent 的响应调用 Fetch.fulfillRequest。prompt() 返回值原封不动地往返传回页面 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，在快照中显示，等待明确的 browser_dialog() 调用。在 browser.dialog_timeout_s（默认 300 秒）后安全自动驳回，防止有 bug 的 Agent 永远卡住。
auto_dismiss捕获，立即驳回。Agent 仍能在 browser_state 历史中看到对话框，但不需要采取行动。
auto_accept捕获，立即接受。适用于导航带有频繁 beforeunload 提示的页面。

browser_snapshot.frame_tree 中的帧树上限为 30 帧，OOPIF 深度 2，以保持广告密集页面上的有效负载有界。当达到限制时，truncated: true 标志会出现；需要完整树的 Agent 可以使用 browser_cdp 和 Page.getFrameTree。

实际示例​

填写网络表单​

用户：在 example.com 用我的邮箱 john@example.com 注册账号

Agent 工作流：
1. browser_navigate("https://example.com/signup")
2. browser_snapshot()  → 看到带有引用的表单字段
3. browser_type(ref="@e3", text="john@example.com")
4. browser_type(ref="@e5", text="SecurePass123")
5. browser_click(ref="@e8")  → 点击"创建账号"
6. browser_snapshot()  → 确认成功

研究动态内容​

用户：GitHub 上现在最热门的仓库是什么？

Agent 工作流：
1. browser_navigate("https://github.com/trending")
2. browser_snapshot(full=true)  → 读取热门仓库列表
3. 返回格式化结果

会话录制​

将浏览器会话自动录制为 WebM 视频文件：

browser:
  record_sessions: true  # 默认：false

启用后，录制在第一次 browser_navigate 时自动开始，会话关闭时保存到 ~/.hermes/browser_recordings/。在本地和云端（Browserbase）模式下均可工作。超过 72 小时的录制自动清理。

隐身功能​

Browserbase 提供自动隐身能力：

功能默认备注
基础隐身始终开启随机指纹、视口随机化、验证码解决
住宅代理开启通过住宅 IP 路由以获得更好的访问
高级隐身关闭自定义 Chromium 构建，需要 Scale 计划
保持连接开启网络中断后重新连接会话
备注

如果付费功能在你的计划中不可用，Hermes 会自动回退——先禁用 keepAlive，然后是代理——所以在免费计划上浏览仍然有效。

会话管理​

  • 每个任务通过 Browserbase 获得独立的浏览器会话
  • 会话在非活跃后自动清理（默认：2 分钟）
  • 后台线程每 30 秒检查一次过期会话
  • 进程退出时运行紧急清理以防止孤立会话
  • 通过 Browserbase API 释放会话（REQUEST_RELEASE 状态）

限制​

  • 基于文本的交互 — 依赖无障碍树，而非像素坐标
  • 快照大小 — 大页面可能在 8000 个字符时被截断或由 LLM 总结
  • 会话超时 — 云端会话根据你的提供商计划设置到期
  • 费用 — 云端会话消耗提供商积分；对话结束或非活跃后会话自动清理。使用 /browser connect 进行免费本地浏览。
  • 不支持文件下载 — 无法从浏览器下载文件