ldotjdot/webbrowser

网页浏览器 Skill

与 read skill 统一：直接调用 exe，传命令行参数，stdout 为 JSON 结果。

exe 路径

| exe | 说明 | |-----|------| | skills/webbrowser/browser/openlum-browser.exe | 浏览器操作 |

命令格式

openlum-browser.exe [--headless] <command> [args]

命令

navigate — 打开 URL

navigate --url <URL> --headless

snapshot — 获取页面结构（经典模式：仅带 ref 的交互元素）

snapshot [--maxChars N]

仅列出可交互元素（button/link/textbox 等）并分配 ref，便于 click/type 使用。
推荐：所有交互相关的决策（点哪里、在哪个控件输入）应优先通过 snapshot 完成。

find — 按文本或角色搜索元素并返回坐标

find --text "<部分或完整文本>" [--role <角色名>] [--limit N]

用于无 ref 时定位元素：按可见文本或 ARIA 角色搜索，返回匹配项的中心坐标与边界框。
返回字段：matches[].index、matches[].centerX、matches[].centerY、matches[].width、matches[].height、matches[].text。
典型用法：先 find --text "提交" 得到 centerX/centerY，再 click --x <centerX> --y <centerY> 点击。
--role 可选，如 button、link；--limit 默认 10，最大 50。

type — 输入文本

type --ref <REF> --text <TEXT> [--submit]

click — 点击元素

click --ref <REF> [--force]
click --x <X> --y <Y>

两种方式二选一：ref（来自 snapshot）或 坐标 x,y（来自 find 的 centerX/centerY）。
坐标点击在页面内用 elementFromPoint(x,y) 取该点元素并触发 click，兼容 iframe 与覆盖层。

page_text — 提取页面纯文本（长文/兜底）

page_text [--maxChars N]

仅用于阅读大量文本内容或在 snapshot 中找不到某段文字时做兜底排查。 不要直接依赖 page_text 去“猜”要点哪个元素，page_text 不包含 ref，无法直接交互。

upload — 上传文件（路径为绝对路径或相对当前工作目录）

upload --ref <REF> --paths <path1> [path2...]

tabs — 标签页列表/切换

tabs [--switch N]

eval — 在页面中执行 JS

eval --expr "<JS 表达式>" [--maxChars N]

注意：expr 是一个 JS 表达式，例如 () => window.location.href 或 () => ({ title: document.title, href: location.href })。返回值会被序列化为 JSON 字符串并截断到 maxChars。

quit — 退出

quit

直接执行 quit 即退出，关闭浏览器，失去浏览器当前上下文。

示例

# 打开 Bing，显示窗口
& "skills/webbrowser/browser/openlum-browser.exe" --headless navigate --url "https://cn.bing.com"

# 获取快照（找搜索框 ref）
& "skills/webbrowser/browser/openlum-browser.exe" snapshot

# 输入并搜索
& "skills/webbrowser/browser/openlum-browser.exe" type --ref 2 --text "ldotjdot" --submit

# 无头模式打开
& "skills/webbrowser/browser/openlum-browser.exe" --headless navigate --url "https://example.com"

# 按文本查找再按坐标点击（无 ref 时）
& "skills/webbrowser/browser/openlum-browser.exe" find --text "提交" --limit 5
& "skills/webbrowser/browser/openlum-browser.exe" click --x 125 --y 212

# 退出（关闭浏览器，失去当前上下文）
& "skills/webbrowser/browser/openlum-browser.exe" quit

前置条件

• 已安装 Edge 或 Chrome（系统浏览器）。未安装时直接报错。

错误处理

• 若返回「未检测到 Edge/Chrome」：直接告知用户安装，严禁执行 playwright.ps1 install。

典型流程

交互优先走 snapshot；无 ref 时用 find + 坐标点击

1. navigate --url https://cn.bing.com → 返回 snapshot 和 refs
2. 从 snapshot 中找目标控件对应的 ref，用 click --ref <REF> / type --ref <REF> ... 操作
3. 若目标在 snapshot 中无 ref（如静态文案、非标准控件），用 find 定位：
   • find --text "提交" 或 find --text "确定" --role button → 得到 matches[].centerX/centerY
   • click --x <centerX> --y <centerY> 点击该位置
4. 如出现新标签页，用 tabs --switch N 切换后继续以上步骤

需要读取大量文本或 snapshot 中找不到某段文字时

1. 先 snapshot，尝试在 snapshot 中搜索关键字；若能找到，继续按 ref 交互
2. 若 snapshot 中完全找不到该文字，再调用 page_text 获取更多纯文本内容（只用于阅读和排查）
3. 如确认是页面可访问性不足，可配合 eval 在 DOM 中按文本/选择器查找并操作元素