HyperAgent：基于LLM的智能浏览器自动化工具实战指南

1. 项目概述与核心价值

如果你和我一样，曾经为了写一个网页自动化脚本，在Playwright或Puppeteer那冗长的选择器（Selector）和复杂的等待逻辑里挣扎过，那么HyperAgent的出现，绝对会让你眼前一亮。简单来说，HyperAgent是给Playwright这个强大的浏览器自动化工具，装上了一颗由大语言模型（LLM）驱动的“大脑”。它让你可以用人类最自然的语言——比如“去亚马逊搜索笔记本电脑，然后把前五个结果的价格给我”——来指挥浏览器完成任务，而不是去写一堆page.locator('button[data-testid="submit"]').click()这样的代码。

这个项目的核心价值在于，它极大地降低了浏览器自动化的心智负担和开发成本。过去，自动化一个稍微复杂点的流程，比如在某个网站上完成登录、搜索、筛选、数据提取等一系列操作，你需要对目标网站的DOM结构有深入的了解，写出健壮的选择器，并处理好各种异步加载和状态变化。现在，你只需要用page.ai()描述你的意图，或者用page.perform()发出精确的指令，剩下的就交给HyperAgent去理解和执行。这对于需要快速构建数据抓取、自动化测试、RPA（机器人流程自动化）流程的开发者来说，无疑是一个生产力倍增器。

HyperAgent并非要完全取代传统的Playwright脚本。相反，它提供了两种互补的模式：page.perform()用于快速、精确的单步操作，而page.ai()则用于处理需要视觉理解和多步推理的复杂任务。你可以根据场景灵活混用，在“精准控制”和“智能理解”之间找到最佳平衡点。更重要的是，它背后集成了对多种主流LLM（如OpenAI GPT-4o、Anthropic Claude、Google Gemini等）的支持，并且原生拥抱了Chrome DevTools Protocol（CDP），带来了更快的元素定位和更深的iframe追踪能力。

2. 核心架构与设计思路拆解

要理解HyperAgent为何高效，我们需要拆解一下它的设计哲学。它本质上是一个在Playwright和LLM之间架起的智能桥梁，其核心思路是“意图翻译”和“动作执行”。

2.1 意图翻译层：从自然语言到浏览器指令

当你调用page.ai(“搜索从迈阿密到新奥尔良的航班”)时，HyperAgent内部发生了什么呢？首先，它会捕获当前页面的状态。这里有两种主要方式：文本DOM分析和视觉模式。

默认情况下，HyperAgent会使用CDP获取页面的可访问性树（Accessibility Tree）和精简后的DOM文本信息。这种方式速度极快，成本低，因为不需要截图和调用视觉模型。LLM会基于这份“文本快照”来理解页面上有哪些元素（输入框、按钮、链接），以及它们之间的关系。然后，LLM会将你的自然语言指令，分解成一系列具体的、可执行的浏览器操作指令，比如“在id为‘departure’的输入框里输入‘Miami’”。

如果开启了enableVisualMode: true，HyperAgent则会额外截取屏幕截图，并结合元素叠加层（overlay）信息提供给LLM。视觉模式特别适合处理那些严重依赖CSS布局、图片识别或者动态生成内容的页面，因为纯文本DOM可能无法完全反映视觉上的逻辑关系。当然，这会增加LLM调用的成本和响应时间。

2.2 动作执行层：CDP优先的精准操控

得到分解后的指令后，HyperAgent不会简单地用Playwright的通用API去执行。它采用了“CDP First”的策略。CDP是浏览器底层暴露的调试协议，能提供比Playwright更底层、更精确的控制。

例如，一个“点击”操作。传统Playwright会使用它自己的引擎来定位元素并模拟点击事件。而HyperAgent通过CDP，可以获取到元素的精确坐标、所在的帧（Frame）索引，甚至能穿透复杂的、跨域的iframe（OOPIFs）。然后它通过CDP发送一个Input.dispatchMouseEvent命令，在确切的像素位置触发点击。这种方式带来的好处是极高的可靠性，尤其是在处理单页应用（SPA）和大量iframe的页面时。

注意：CDP模式目前被标记为实验性功能。虽然它功能强大，但在极端复杂的页面或特定浏览器版本下可能会遇到稳定性问题。HyperAgent很贴心地提供了回退机制：在初始化Agent时设置cdpActions: false，它就会自动切换回使用Playwright原生的定位和动作API，保证了功能的可用性。

2.3 双模式API的设计权衡

page.perform()和page.ai()的分野，体现了在“速度/成本”和“智能/适应性”之间的经典权衡。

page.perform()的设计目标是极致的效率和确定性。它假设你已经很清楚要操作哪个元素（通过自然语言描述），因此它直接利用文本DOM快速找到匹配度最高的元素，然后通过CDP执行。整个过程通常只需一次LLM调用（用于理解指令和定位），速度快，成本低，适合脚本中那些重复、固定的步骤，比如填写表单字段、点击明确的按钮。

page.ai()则面向复杂性和不确定性。它允许LLM进行多步推理，可以观察页面变化，动态调整策略。例如，指令是“找到最便宜的商品并加入购物车”，LLM可能需要先执行“排序-按价格从低到高”，然后“点击第一个商品的详情页”，最后再“点击加入购物车按钮”。这个过程可能涉及多次LLM调用和页面状态观察，虽然更慢更贵，但能处理page.perform()无法直接描述的复杂逻辑。

这种双模式设计，让开发者可以根据任务粒度和对确定性的要求，灵活选择工具，而不是被迫在所有场景下都使用“重型”的AI驱动模式。

3. 环境准备与核心API实战解析

纸上谈兵终觉浅，我们直接上手，看看如何用HyperAgent解决实际问题。我将以一个完整的“航班信息查询与提取”任务为例，贯穿安装、初始化、不同API的使用以及数据提取。

3.1 初始化配置与LLM选型

首先，你需要一个LLM API密钥。HyperAgent支持多种提供商，这里以OpenAI为例。

# 项目初始化并安装依赖 npm init -y npm install @hyperbrowser/agent playwright # 安装zod用于定义数据模式（强烈推荐） npm install zod

接下来，创建一个.env文件来管理你的密钥：

OPENAI_API_KEY=sk-your-openai-api-key-here

然后，在代码中初始化HyperAgent。选择LLM提供商和模型是关键的第一步，这直接影响到智能体的理解能力和成本。

import { HyperAgent } from "@hyperbrowser/agent"; import { z } from "zod"; import dotenv from 'dotenv'; dotenv.config(); // 初始化智能体，使用OpenAI的GPT-4o模型 const agent = new HyperAgent({ llm: { provider: "openai", model: "gpt-4o", // 平衡了性能与成本。对于复杂任务，它是很好的选择。 // apiKey: process.env.OPENAI_API_KEY, // 通常会自动从环境变量读取 }, // browserProvider: "playwright", // 默认使用本地Playwright // cdpActions: true, // 默认启用CDP模式以获得更好性能 // debug: false, // 设为true可看到详细的执行日志 }); // 如果你想尝试其他模型，可以这样配置： // const agentClaude = new HyperAgent({ // llm: { // provider: "anthropic", // model: "claude-3-5-sonnet-20241022", // }, // }); // const agentGemini = new HyperAgent({ // llm: { // provider: "gemini", // model: "gemini-2.0-flash-exp", // Gemini 2.0 Flash 性价比很高 // }, // });

实操心得：LLM模型选择：对于大多数网页自动化任务，gpt-4o或claude-3-haiku是性价比很高的选择。gpt-4o在复杂指令理解和多步骤规划上表现更优，而Haiku速度极快，成本更低，适合简单的元素定位和操作。如果任务涉及大量文本理解和逻辑推理（例如从一段描述性文字中提取结构化数据），建议使用能力更强的模型如gpt-4-turbo或claude-3-5-sonnet。初期调试时，可以把debug: true打开，这样你能在控制台看到LLM接收的指令和返回的思考过程，非常有助于排查问题。

3.2 使用page.perform()进行精确操作

假设我们需要在Google Flights上执行一个非常明确的操作序列。page.perform()是最佳工具。

async function performDemo() { const page = await agent.newPage(); // 1. 导航到目标网站 await page.goto("https://www.google.com/travel/flights", { waitUntil: "networkidle" }); // 2. 使用 perform 进行一系列精确操作 // 这些指令应该尽可能清晰、无歧义 await page.perform("click the round trip button"); // 点击“往返”选项 await page.perform("click the departure city input box"); await page.perform("type New York (JFK)"); await page.perform("press the Enter key"); await page.perform("click the destination city input box"); await page.perform("type London (LHR)"); await page.perform("press the Enter key"); // 处理日期选择器可能需要更具体的指令，或者使用 ai() await page.perform("click the departure date field"); // 假设日历弹出来了，我们选择下个月1号 await page.perform("click the date that says 1"); await page.perform("click the return date field"); await page.perform("click the date that says 7"); // 3. 执行搜索 await page.perform("click the search flights button"); // 等待结果加载 await page.waitForTimeout(3000); // 简单等待，生产环境建议用 waitForSelector 或 ai() 判断 console.log("搜索完成！"); // 接下来可以用 extract() 提取数据 }

page.perform()的核心优势在于速度和可靠性。因为它主要依赖文本DOM，避免了昂贵的截图和视觉模型调用。对于已知的、结构稳定的网页操作流程，用perform编写出来的脚本执行速度堪比传统Playwright脚本，但可读性和编写速度却高得多。

注意事项：page.perform()的指令需要相对精确。像“点击那个蓝色的按钮”这样的描述可能失败，因为LLM从文本DOM中无法感知颜色。更好的描述是“点击‘提交’按钮”或“点击id为‘submit-btn’的按钮”。在编写指令时，多使用页面上可见的文本标签、输入框的placeholder、按钮的value等特征。

3.3 使用page.ai()处理复杂任务

现在，我们来处理一个更模糊、更复杂的任务。比如：“在Google Flights上，为我寻找下个月从纽约到伦敦最便宜的直飞航班，并告诉我价格和航空公司。”

async function aiComplexTaskDemo() { const page = await agent.newPage(); await page.goto("https://www.google.com/travel/flights", { waitUntil: "load" }); // 使用 ai() 处理复杂指令。LLM会自行分解步骤。 const aiResult = await page.ai( "Find me the cheapest direct flight from New York to London for next month. Tell me the price and airline.", { // useDomCache: true, // 开启DOM缓存，加速后续同页面的ai调用 // enableVisualMode: false, // 默认false。如果页面元素依赖复杂CSS，可设为true } ); console.log("AI任务执行结果:", aiResult.output); // 输出可能是一段文本，如：“最便宜的直飞航班是英国航空BA114，价格是$650。” // ai() 返回的对象包含一个 actionCache，记录了执行的所有步骤 console.log(`任务共执行了 ${aiResult.actionCache?.steps?.length} 步`); // 我们可以保存这个缓存，用于后续回放（后面会讲） // fs.writeFileSync('flight_search_cache.json', JSON.stringify(aiResult.actionCache, null, 2)); }

page.ai()的强大之处在于其自主规划能力。你不需要告诉它先点哪里、再输什么，只需要给出最终目标。LLM会像一个人一样，观察页面，尝试操作，遇到错误（比如日期选择器没弹出来）会自我纠正。这对于探索未知网站或执行流程多变的任务来说，是无可替代的。

避坑技巧：对于page.ai()，指令的清晰度同样重要。“下个月”这种相对日期可能产生歧义，更好的说法是“2024年8月”。如果任务执行失败或偏离预期，打开debug: true查看LLM的思考链（Chain-of-Thought），能帮你理解它为何做出错误决策，从而优化你的指令。

3.4 使用page.extract()进行结构化数据提取

自动化不仅仅是操作，更重要的是获取数据。page.extract()功能允许你从当前页面中，按照预定义的结构化格式（Schema）提取信息。这是将网页非结构化数据转化为可用JSON的关键。

async function extractStructuredDataDemo() { const page = await agent.newPage(); // 假设我们已经在一个航班搜索结果页面 await page.goto("https://www.google.com/travel/flights/search?q=JFK-LHR..."); // 一个真实的搜索结果URL // 定义我们想要提取的数据模式（Schema） const flightSchema = z.object({ cheapestFlight: z.object({ airline: z.string().describe("航空公司名称"), price: z.number().describe("价格，纯数字"), departureTime: z.string().describe("出发时间，如 '08:30 AM'"), arrivalTime: z.string().describe("到达时间，如 '09:45 PM'"), duration: z.string().describe("飞行时长，如 '7h 15m'"), stops: z.number().describe("中转次数，0代表直飞"), }).describe("最便宜的一个航班选项"), allOptions: z.array( z.object({ airline: z.string(), price: z.number(), isDirect: z.boolean(), }) ).describe("前5个航班选项的列表").optional(), // optional 表示这个字段可能提取不到 }); // 执行提取 const extractionResult = await page.extract( "从当前页面的航班列表中提取信息", // 给LLM的指令，可以更具体 flightSchema ); if (extractionResult.success) { const data = extractionResult.data; console.log("最便宜航班:", data.cheapestFlight); console.log(`共有 ${data.allOptions?.length || 0} 个选项被提取`); } else { console.error("提取失败:", extractionResult.error); } }

page.extract()的核心是模式（Schema）驱动。你使用Zod库定义你期望的数据结构，包括字段类型、描述（describe()）和约束（如optional()）。LLM会阅读页面内容，并尝试将信息填充到这个模式里。描述（describe()）非常重要，它相当于给LLM的字段注释，能极大提高提取准确率。

经验分享：定义Schema时，尽量使用具体的类型（z.number()，z.string()），并为每个字段提供清晰的describe。对于可能不存在的字段，使用.optional()或.nullable()，避免因单个字段提取失败导致整个任务失败。对于列表数据，如果页面内容很多，最好在指令中明确数量，如“提取前10条结果”，否则LLM可能只提取它看到的第一屏内容。

4. 高级特性与生产级应用

掌握了基础API后，我们来看看HyperAgent那些能让你的自动化项目更健壮、更可扩展的高级功能。

4.1 动作缓存与确定性回放：告别LLM成本波动

这是HyperAgent最具革命性的特性之一。每次page.ai()调用都会生成一个actionCache，它像录像带一样，精确记录了LLM决定执行的每一个步骤（点击哪里、输入什么、XPath路径、帧索引等）。

为什么这很重要？想象一下，你有一个每天都需要运行的自动化报表抓取流程。如果每次都调用page.ai()，意味着每次都要支付LLM API费用，并且要承担LLM输出可能存在的轻微不确定性（虽然很小）。有了动作缓存，你可以首次录制，无限次免费、确定性地回放。

import fs from 'fs/promises'; async function actionCacheDemo() { const agent = new HyperAgent({ llm: { provider: "openai", model: "gpt-4o" } }); const page = await agent.newPage(); // 第一次：录制动作（消耗LLM Token） console.log("=== 第一次执行（录制）==="); const { actionCache, output: firstOutput } = await page.ai( "Go to wikipedia.org, search for 'Artificial Intelligence', and click the first result." ); console.log("首次输出:", firstOutput); // 将缓存保存到文件 await fs.writeFile('wikipedia_search_cache.json', JSON.stringify(actionCache, null, 2)); console.log("动作缓存已保存。"); // 关闭页面和Agent，模拟另一次运行 await page.close(); await agent.closeAgent(); // --- 第二次运行（可能是第二天，在CI/CD环境中）--- console.log("\n=== 第二次执行（回放）==="); const agent2 = new HyperAgent({ // 注意：回放时甚至可以不用配置LLM，如果确定XPath不会失效的话。 // 但建议保留LLM配置作为回退。 llm: { provider: "openai", model: "gpt-4o" } }); const page2 = await agent2.newPage(); // 从文件加载缓存 const cachedActions = JSON.parse(await fs.readFile('wikipedia_search_cache.json', 'utf-8')); // 回放！这里不会调用LLM（除非XPath失效触发回退）。 const replayResult = await page2.runFromActionCache(cachedActions, { maxXPathRetries: 2, // 如果XPath找不到元素，重试2次后，会尝试用LLM重新定位 debug: true, }); console.log(`回放状态: ${replayResult.status}`); console.log(`共 ${replayResult.steps?.length} 步，其中 ${replayResult.steps?.filter(s => s.usedXPath).length} 步使用了缓存的XPath。`); // 即使页面结构微调，回放也可能成功，因为XPath通常比较稳定。 // 如果页面大改，XPath失效，设置了 maxXPathRetries 和 LLM 配置，它会自动回退到AI模式重新定位元素，保证流程不中断。 await agent2.closeAgent(); }

应用场景：

1. 持续集成/测试：将关键的端到端（E2E）用户流程录制为缓存，在每次代码提交后回放，确保核心功能不被破坏，且零LLM成本。
2. 数据管道：每天需要从固定网站抓取数据的任务，录制一次后，即可稳定、低成本地运行。
3. 工作流模板：将“用户登录”、“商品搜索”等通用流程录制为缓存，作为可复用的模块。

4.2 连接外部工具：MCP客户端集成

HyperAgent不仅仅能操作浏览器，它还能作为一个模型上下文协议（MCP）客户端，连接外部工具和服务。这意味着你的AI智能体可以“伸手”到浏览器之外的世界。官方示例展示了如何与Composio的Google Sheets工具连接，将网页数据直接写入在线表格。

import { HyperAgent } from "@hyperbrowser/agent"; async function mcpIntegrationDemo() { const agent = new HyperAgent({ llm: { provider: "openai", model: "gpt-4o" }, debug: true, }); // 初始化MCP客户端，连接到一个Google Sheets工具服务器 await agent.initializeMCPClient({ servers: [ { command: "npx", args: [ "@composio/mcp@latest", "start", "--url", "https://mcp.composio.dev/googlesheets/your-connection-id", // 需要替换为你的实际连接 ], env: { npm_config_yes: "true" }, }, ], }); // 现在，AI智能体知道如何操作Google Sheets了！ const response = await agent.executeTask(` 1. 访问 https://news.ycombinator.com 2. 提取当前排名前5的帖子标题和链接。 3. 将这些数据写入一个名为“Hacker News Top 5”的Google Sheet中，创建两个列：“Title”和“URL”。 `); console.log("任务完成:", response.output); // 输出可能包含Google Sheets的链接或操作确认信息。 await agent.closeAgent(); }

MCP的潜力巨大。理论上，你可以让HyperAgent连接数据库、调用内部API、发送邮件、操作Slack等等。这将它从一个“网页自动化工具”升级为一个真正的“AI智能体工作流编排中心”。

4.3 自定义动作扩展

当内置的浏览器操作和MCP工具还不够时，你可以通过自定义动作（Custom Actions）来扩展HyperAgent的能力。例如，你可以集成一个搜索引擎API，让智能体在需要信息时主动去搜索。

import { HyperAgent, AgentActionDefinition } from "@hyperbrowser/agent"; import { z } from "zod"; import { Exa } from 'exa-js'; // 假设使用Exa搜索API const exaClient = new Exa(process.env.EXA_API_KEY!); // 1. 定义自定义动作 const WebSearchAction: AgentActionDefinition = { type: "web_search", // 动作的唯一标识符 actionParams: z.object({ query: z.string().describe("要搜索的查询词，应具体明确"), maxResults: z.number().default(5).describe("返回的最大结果数"), }).describe("在互联网上搜索相关信息"), // 2. 实现动作的执行函数 run: async (context, params) => { try { const searchResults = await exaClient.search(params.query, { numResults: params.maxResults, }); const formattedResults = searchResults.results.map(r => `标题: ${r.title}\n链接: ${r.url}\n摘要: ${r.snippet}`).join('\n---\n'); return { success: true, message: `为您搜索了“${params.query}”，找到以下结果：\n${formattedResults}`, // 也可以返回结构化数据供后续步骤使用 data: searchResults.results, }; } catch (error) { return { success: false, message: `搜索失败: ${error.message}`, }; } }, }; async function customActionDemo() { // 3. 在初始化Agent时注入自定义动作 const agent = new HyperAgent({ llm: { provider: "openai", model: "gpt-4o" }, customActions: [WebSearchAction], // 传入动作定义 }); // 4. 执行任务，AI现在可以调用 `web_search` 动作了！ const result = await agent.executeTask(` 我想了解今天关于“Web3”的最新动态。 请先搜索一下相关新闻，然后总结出三个主要趋势。 `); // AI在执行过程中，可能会自主决定调用我们定义的 `web_search` 动作来获取信息。 console.log(result.output); await agent.closeAgent(); }

自定义动作让HyperAgent的边界变得无限。你可以将任何函数、服务封装成动作，AI智能体在规划任务时，会判断是否需要调用它们。这实现了工具使用（Tool Use）的能力，是构建复杂AI工作流的基础。

5. 部署、调试与最佳实践

将HyperAgent从本地脚本变为稳定可靠的生产服务，需要注意以下几点。

5.1 云端扩展：使用Hyperbrowser服务

本地运行Playwright虽然方便，但在大规模并发或需要更高匿名性的场景下，管理浏览器实例会成为负担。HyperAgent原生集成了其云服务——Hyperbrowser。

async function cloudHyperbrowserDemo() { // 1. 在 https://app.hyperbrowser.ai/ 获取免费API Key // 2. 设置为环境变量 HYPERBROWSER_API_KEY process.env.HYPERBROWSER_API_KEY = 'your_hyperbrowser_api_key'; const agent = new HyperAgent({ browserProvider: "Hyperbrowser", // 关键：指定使用云服务 llm: { provider: "openai", model: "gpt-4o" }, }); // 之后的使用方式与本地完全一致 const result = await agent.executeTask( "Go to a news website and list the top 3 headlines." ); console.log(result.output); await agent.closeAgent(); // 关闭连接，释放云资源 }

云端模式的优势：

• 可扩展性：轻松启动数十甚至上百个并发浏览器会话。
• 免运维：无需管理Chrome/Chromium的安装、升级和资源清理。
• 增强隐匿性：云服务可能提供更好的IP轮换和浏览器指纹管理，降低被反爬机制识别的风险。
• 地理位置模拟：可能支持指定不同地区的IP进行访问。

5.2 调试技巧与常见问题排查

即使有AI辅助，自动化脚本依然会出错。掌握调试方法至关重要。

1. 启用调试模式： 这是最基本也是最有效的手段。在初始化Agent时设置debug: true，控制台会输出海量信息，包括：

• LLM接收的系统提示词（System Prompt）和用户指令。
• LLM的思考过程（Chain-of-Thought），看它是如何分解任务的。
• 它“看到”的页面DOM摘要。
• 它计划执行的具体动作。
• 每个动作的执行结果（成功/失败）。

通过阅读这些日志，你可以精准定位问题是指令不清晰、页面元素没加载完，还是LLM理解有偏差。

2. 处理页面加载与等待： AI并不总是能完美判断页面是否加载完成。对于关键操作前的页面，建议使用Playwright原生的等待策略。

await page.goto('https://example.com', { waitUntil: 'networkidle' }); // 等待网络空闲 // 或者 await page.waitForSelector('#main-content', { state: 'visible' }); // 等待特定元素出现 // 然后再调用 page.ai() 或 page.perform()

混合使用page.waitForTimeout()（谨慎使用）和AI的自主判断，是更稳健的做法。

3. 指令优化：

• 具体化：将“点击那个按钮”改为“点击写着‘提交申请’的蓝色按钮”。
• 结构化：对于复杂任务，可以分步骤给出指令，甚至先用page.perform()完成前置导航，再用page.ai()处理复杂部分。
• 提供上下文：如果页面有特殊状态，可以在指令中说明，如“现在你在一个模态框里，请点击‘确认’按钮关闭它”。

4. 常见错误与解决：

5.3 性能优化与成本控制策略

在生产环境中运行HyperAgent，必须关注其性能和成本。

1. 分层使用API：

• 确定性操作层：所有登录、表单填写、明确按钮点击，一律使用page.perform()。它快、便宜、稳定。
• 智能决策层：只有遇到需要识别动态内容、进行条件判断（如“选择最便宜的那个”）、处理复杂布局时，才使用page.ai()。
• 数据提取层：统一使用page.extract()，并设计好健壮的Schema。

2. 缓存一切可能的内容：

• 动作缓存（Action Cache）：如前所述，这是节省成本的王牌。为所有周期性任务建立缓存库。
• DOM缓存（useDomCache）：在同一个页面上连续调用page.ai()时，设置useDomCache: true可以避免重复获取和发送DOM信息，减少Token消耗。

3. 模型选型与降级：

• 主力模型：复杂指令理解、规划用gpt-4o或claude-3-5-sonnet。
• 轻量模型：简单的元素定位、文本提取可以尝试gpt-4o-mini或claude-haiku，成本大幅降低。你可以在初始化时根据任务类型动态选择模型。

4. 超时与重试机制： 在网络不稳定或目标网站响应慢时，合理的超时和重试能提高成功率。

const agent = new HyperAgent({ llm: { /* ... */ }, actionTimeout: 60000, // 单个动作超时时间（毫秒） maxRetries: 2, // 动作失败重试次数 }); // 在任务级别也可以控制 const result = await agent.executeTask("some task", { timeout: 180000, // 整体任务超时 });

HyperAgent将LLM的智能与浏览器自动化的精确性结合，打开了一扇新的大门。它并非万能，对于需要像素级精确操作或极端性能的场景，手写Playwright脚本仍是首选。但对于快速原型、处理复杂逻辑、应对频繁变化的网页，或是需要将自然语言需求直接转化为自动化流程的场景，它是一个强大得令人兴奋的工具。我的体会是，最好的使用方式是将它视为一个“高级脚本生成器”和“不确定性处理器”，让它承担那些繁琐、易变的部分，而开发者则专注于架构设计、错误处理和业务逻辑集成。随着动作缓存、MCP集成等特性的成熟，它正从一个自动化库演变成一个真正的AI智能体工作台。