Hermes Agent 浏览器自动化：让 AI 帮你操作网页

一个开源的 AI Agent，能直接打开浏览器、点按钮、填表单、过验证码。支持云端和本地多种浏览器后端。

一、Hermes Agent 是什么

Hermes Agent 是 Nous Research 开源的 AI Agent 框架（MIT 许可证）。它不只是一个聊天机器人——它能调用工具、执行终端命令、操作浏览器、定时任务，还能接入 Telegram、Discord、Slack 等消息平台。

本文重点介绍它的浏览器自动化能力。

项目地址：https://github.com/NousResearch/hermes-agent
文档：https://hermes-agent.nousresearch.com/docs/user-guide/features/browser

二、浏览器自动化能做什么

Hermes Agent 的浏览器工具让 AI 像人一样操作网页：

打开 URL，导航页面
读取页面内容（通过无障碍树，不是截图 OCR）
点击按钮、链接
在输入框中填写文字
滚动页面
按键盘按键（Enter、Tab、Escape 等）
截图并用视觉 AI 分析
读取浏览器控制台日志
直接发送 CDP（Chrome DevTools Protocol）命令

关键设计：页面被表示为无障碍树（Accessibility Tree）的文本快照，每个可交互元素会被分配一个引用 ID（如 @e1、@e2），Agent 通过这些 ID 来定位和操作元素。这种方式比像素坐标更稳定，也更适合 LLM 理解。

三、六种浏览器后端

这是 Hermes 浏览器自动化最灵活的地方——你可以根据场景选择不同的后端：

后端	类型	特点	适用场景
Browserbase	云端	随机指纹、验证码解决、住宅代理	需要反检测的自动化
Browser Use	云端	REST API 驱动	替代 Browserbase 的云端方案
Firecrawl	云端	内置爬虫能力	网页抓取为主
Camofox	本地	Firefox 内核，C++ 级指纹伪造	本地反检测，无云端依赖
本地 Chrome (CDP)	本地	连接你自己的 Chrome	需要用自己的 Cookie/登录态
agent-browser	本地	本地 Chromium	无需任何配置的兜底方案

四、安装 Hermes Agent

一键安装

# Linux / macOS / WSL2
curl -fsSL https://raw.githubusercontent.com/NousResearch/hermes-agent/main/scripts/install.sh | bash
source ~/.bashrc  # 或 source ~/.zshrc

初始配置

# 交互式设置向导
hermes setup

# 或者单独配置模型
hermes model

Hermes 需要一个 LLM 后端（至少 64K 上下文窗口）。支持 Anthropic Claude、OpenAI、Nous Portal、OpenRouter、Ollama 等。

启用浏览器工具

确保浏览器工具集已启用：

hermes config set toolsets '["hermes-cli", "browser"]'

或者通过交互式配置：

hermes tools
# → 选择 Browser Automation

五、配置浏览器后端

方案一：Browserbase 云端（最省心）

# 写入 ~/.hermes/.env
echo 'BROWSERBASE_API_KEY=your-api-key' >> ~/.hermes/.env
echo 'BROWSERBASE_PROJECT_ID=your-project-id' >> ~/.hermes/.env

Browserbase 自带反检测能力：随机指纹、住宅代理、验证码自动解决。

方案二：Camofox 本地反检测（无云端依赖）

Camofox 是基于 Camoufox（Firefox 分支）的本地反检测浏览器服务：

# 安装并启动
git clone https://github.com/jo-inc/camofox-browser && cd camofox-browser
npm install && npm start   # 首次运行会下载 Camoufox (~300MB)

# 或者用 Docker
docker run -d --network host -e CAMOFOX_PORT=9377 jo-inc/camofox-browser

配置 Hermes 使用 Camofox：

echo 'CAMOFOX_URL=http://localhost:9377' >> ~/.hermes/.env

设置后，所有浏览器工具会自动通过 Camofox 路由。

持久化会话（保持登录状态）

默认每次会话都是全新身份。如果你需要保持登录状态：

# ~/.hermes/config.yaml
browser:
  camofox:
    managed_persistence: true

重启 Hermes 后生效。Hermes 会为每个 Profile 生成一个固定的 userId 发送给 Camofox，让服务端复用同一个 Firefox 配置文件。

方案三：连接本地 Chrome（用自己的登录态）

不需要任何云服务，直接连接你正在运行的 Chrome：

# 先启动带调试端口的 Chrome（需要独立的 user-data-dir）
# 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 &

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

然后在 Hermes CLI 中连接：

hermes
# 进入聊天后
/browser connect
# 或指定地址
/browser connect ws://localhost:9222

连接后，所有浏览器工具都会操作你的这个 Chrome 实例。你可以实时看到 Agent 在做什么。

注意：/browser connect 只能在终端 CLI 中使用，不能在 Telegram/Discord 等消息平台中使用。

方案四：Firecrawl（侧重爬虫）

echo 'FIRECRAWL_API_KEY=fc-your-key' >> ~/.hermes/.env

然后选择 Firecrawl 作为浏览器后端：

hermes setup tools
# → Browser Automation → Firecrawl

六、可用的浏览器工具

工具	功能
`browser_navigate`	导航到 URL，必须最先调用
`browser_snapshot`	获取页面无障碍树快照，返回可交互元素的引用 ID
`browser_click`	点击指定引用 ID 的元素
`browser_type`	在输入框中输入文字（先清空再输入）
`browser_scroll`	上下滚动页面
`browser_press`	按键盘按键（Enter、Tab、Escape 等）
`browser_back`	浏览器后退
`browser_get_images`	列出页面上所有图片的 URL 和 alt 文字
`browser_vision`	截图并用视觉 AI 分析（适合验证码、复杂布局）
`browser_console`	读取浏览器控制台日志
`browser_cdp`	直接发送 CDP 命令（需要 CDP 连接）

工作流程

Agent 操作网页的典型流程：

1. browser_navigate("https://example.com")     → 打开页面
2. browser_snapshot()                           → 获取页面结构，得到元素引用 ID
3. browser_click(ref="@e5")                     → 点击某个按钮
4. browser_type(ref="@e3", text="hello")        → 在输入框输入文字
5. browser_press(key="Enter")                   → 按回车提交
6. browser_snapshot()                           → 确认结果

七、实际使用示例

示例一：填写网页表单

直接用自然语言告诉 Agent：

你：帮我在 example.com 注册一个账号，邮箱用 test@example.com

Agent 的执行流程：
1. browser_navigate("https://example.com/signup")
2. browser_snapshot()  → 看到表单字段和引用 ID
3. browser_type(ref="@e3", text="test@example.com")
4. browser_type(ref="@e5", text="MyPassword123")
5. browser_click(ref="@e8")  → 点击"注册"按钮
6. browser_snapshot()  → 确认注册成功

你：现在 GitHub 上最热门的项目有哪些？

Agent 的执行流程：
1. browser_navigate("https://github.com/trending")
2. browser_snapshot(full=true)  → 读取完整页面内容
3. 整理并返回结果

示例三：处理需要视觉理解的页面

你：这个页面上的图表显示了什么趋势？

Agent 的执行流程：
1. browser_navigate("https://example.com/dashboard")
2. browser_vision()  → 截图 + AI 视觉分析
3. 返回图表内容的文字描述

示例四：用 CDP 做高级操作

连接本地 Chrome 后，可以用 CDP 做更底层的操作：

# 获取所有标签页
browser_cdp(method="Target.getTargets")

# 在指定标签页执行 JavaScript
browser_cdp(
    method="Runtime.evaluate",
    params={"expression": "document.title", "returnByValue": True},
    target_id="<tabId>"
)

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

# 处理 JavaScript 弹窗
browser_cdp(
    method="Page.handleJavaScriptDialog",
    params={"accept": True},
    target_id="<tabId>"
)

八、会话录制

可以把浏览器操作过程录制为 WebM 视频：

# ~/.hermes/config.yaml
browser:
  record_sessions: true

录制文件保存在 ~/.hermes/browser_recordings/，72 小时后自动清理。本地和云端模式都支持。

九、反检测能力

不同后端的反检测能力对比：

能力	Browserbase	Camofox	本地 Chrome	agent-browser
随机指纹	✅ 自动	✅ C++ 级	❌	❌
验证码解决	✅ 内置	❌	❌	❌
住宅代理	✅ 内置	❌ 需自配	❌	❌
高级隐身	✅ 需 Scale Plan	✅ Firefox 内核	❌	❌
会话持久化	❌	✅ 可配置	✅ 用自己的 Chrome	❌
免费	❌ 有免费额度	✅	✅	✅

如果你的自动化任务需要绕过反爬虫检测，Browserbase（云端）或 Camofox（本地）是首选。

十、注意事项和局限

基于文本交互：Agent 通过无障碍树理解页面，不是像素坐标。大部分现代网页都能正常工作，但纯 Canvas 渲染的页面（如某些游戏、图表）需要用 browser_vision 截图分析
页面截断：超过 8000 字符的快照会被 LLM 自动摘要
会话超时：云端会话有超时限制，不活跃 2 分钟后自动清理
不能下载文件：浏览器工具目前不支持文件下载
成本：云端会话消耗 API 额度。简单的信息获取建议用 web_search 或 web_extract，只有需要交互（点击、填表、动态内容）时才用浏览器工具
CDP 工具限制：browser_cdp 只在 /browser connect 模式下可用，云端模式暂不支持

十一、跟其他方案的对比

维度	Hermes Agent	Playwright/Puppeteer	Browser Use	Browserbase
定位	AI Agent 的浏览器工具	编程式浏览器自动化	AI 浏览器 Agent	云端浏览器基础设施
使用方式	自然语言指令	写代码	API 调用	API 调用
需要编程	❌	✅	✅	✅
多后端支持	✅ 6 种	❌ 单一	❌ 单一	❌ 单一
反检测	✅ 通过后端	❌ 需自己处理	⚠️ 有限	✅ 内置
集成消息平台	✅ Telegram/Discord/Slack 等	❌	❌	❌

Hermes Agent 的独特之处：你不需要写代码，用自然语言就能驱动浏览器操作，而且可以灵活切换多种浏览器后端。它把 Browserbase、Browser Use、Firecrawl、Camofox 这些工具统一到了一个 Agent 接口下。

十二、快速开始清单

# 1. 安装
curl -fsSL https://raw.githubusercontent.com/NousResearch/hermes-agent/main/scripts/install.sh | bash
source ~/.bashrc

# 2. 配置模型（选一个 LLM 后端）
hermes model

# 3. 启用浏览器工具
hermes tools  # → 选择 Browser Automation

# 4. 配置浏览器后端（选一种）
# 方案 A：Browserbase 云端
echo 'BROWSERBASE_API_KEY=xxx' >> ~/.hermes/.env
echo 'BROWSERBASE_PROJECT_ID=xxx' >> ~/.hermes/.env

# 方案 B：Camofox 本地
docker run -d --network host -e CAMOFOX_PORT=9377 jo-inc/camofox-browser
echo 'CAMOFOX_URL=http://localhost:9377' >> ~/.hermes/.env

# 方案 C：本地 Chrome（不需要额外配置）

# 5. 开始使用
hermes
# 如果用本地 Chrome：/browser connect
# 然后直接用自然语言指挥 Agent 操作网页

最后更新：2026-04-21