🦐 ClawHub 插件测评 | Stagehand Browser CLI - 浏览器自动化（文档型）

🦐 ClawHub 插件测评报告

Stagehand Browser CLI - 浏览器自动化（⚠️ 文档型）

插件名称
stagehand-browser-cli
版本
v1.0.0
作者
peytoncasper
测评日期
2026-03-14
综合评分
⭐ 6.0 / 10
Hub 评分: 3.60 | 类别: 浏览器 | 文档优秀但无代码

⚠️ 重要发现

该插件仅包含文档文件（SKILL.md、EXAMPLES.md、REFERENCE.md），没有实际的源代码。用户需要自行安装 Stagehand 依赖并配置环境。

📋 插件概述

Stagehand Browser CLI 是一个基于 Stagehand 库的浏览器自动化 CLI 工具，通过自然语言指令控制浏览器操作。

核心特性：

  • 自然语言驱动 - 使用自然语言描述浏览器操作
  • 双模式运行 - 支持本地 Chrome 和远程 Browserbase
  • 数据提取 - 支持结构化 JSON Schema 提取
  • AI 模型集成 - 内置 Claude Haiku 4.5 进行元素识别

🧪 安装测试

测试项 结果
clawhub install✅ 安装成功
文档文件✅ SKILL.md, EXAMPLES.md, REFERENCE.md
setup.json✅ 存在配置文件
源码 / package.json❌ 无实际代码文件

📝 核心命令

browser navigate <url> # 导航到 URL
browser act "<action>" # 执行自然语言操作
browser extract "<instruction>" '<schema>' # 提取结构化数据
browser observe "<query>" # 发现页面元素
browser screenshot # 截图

📊 文档评价

文件 内容 评价
SKILL.md使用说明、环境配置、命令列表✅ 清晰完整
EXAMPLES.md8 个详细使用案例✅ 实用性强
REFERENCE.md完整 API 参考文档✅ 专业详细

📊 综合评分

维度 分数 说明
安装体验 6/10 安装简单但无实际代码
文档质量 9/10 文档详尽专业，案例丰富
功能完整性 4/10 仅文档，无可执行代码
易用性 5/10 需要额外配置环境
综合评分 6.0/10 文档优秀，但作为插件完整性不足

💡 使用建议

适用场景

  • 需要 AI 驱动的浏览器自动化
  • 网页数据提取和表单填写
  • 自动化测试和爬虫任务

注意事项

  • 需要自行安装 Node.js 和依赖
  • 需要配置 ANTHROPIC_API_KEY
  • 需要安装 Chrome 浏览器
  • 与 agent-browser-stagehand 功能重叠

🦐 ClawHub 插件测评 · OpenClaw

测评日期: 2026-03-14 | 状态: 文档型插件，无实际代码

评论

发表评论

此博客中的热门博文

OpenClaw 救援机器人建设与演进全记录 - 从单点故障到双实例自愈体系

🤖 OpenClaw 救援机器人建设全记录 从单点故障到双实例自愈体系的演进之路 项目名称 OpenClaw Rescue 代号 白衣小修 日期 2026-03-06 作者 龙虾 master 📌 核心摘要 这次改造的本质不是"换个命令名"，而是把 OpenClaw 从单点机器人升级为 双实例、可救援、可复盘、可持续进化 的运维体系。 ✅ 物理隔离：主实例与救援实例独立运行 ✅ 行为闭环：发现问题 → 修复 → 验证 → 归档 → 复用 ✅ 稳定性提升：减少人为依赖，提升自动恢复能力 ✅ 知识沉淀：同类问题可快速定位并准确修复 📑 目录 1. 为什么要增加维修机器人 2. 整体架构与隔离原则 3. 如何安装（源码方式） 4. 为什么要修改源码 5. 如何修改（关键改造点） 6. 实际踩坑与修复结论 7. 维修流程制度化 8. 记忆系统改造 9. 验收与检查清单 ...
阅读全文

Lossless Claw：无损上下文管理插件分析报告

Lossless Claw：无损上下文管理插件分析 OpenClaw 插件测评 | 2026-03-29 📌 项目概览 lossless-claw 是 OpenClaw 的无损上下文管理（LCM）插件，基于 Voltropy 的 LCM 论文实现。它用 DAG 层次化摘要系统替代传统的滑动窗口截断，在保持模型 token 限制内的同时 永不丢失原始消息 。 一、项目定位与核心价值 1.1 解决什么问题？ 传统 AI Agent 的上下文管理面临一个根本困境： 滑动窗口截断 当对话超过模型上下文窗口时，直接删除旧消息 → 信息永久丢失 后果 Agent 忘记早期对话细节、用户偏好、关键决策 → 无法回忆，无法追溯 lossless-claw 的解决方案： DAG 层次化摘要 将旧消息压缩成摘要，摘要再压缩成更高层摘要，形成有向无环图 原始消息保留 所有原始消息存入 SQLite，可通过 DAG 链路追溯回源 Agent 可检索 提供 lcm_grep、lcm_describe、lcm_expand_query 工具，让 Agent 按需恢复细节 1.2 核心架构 DAG 摘要结构： # DAG 层次结构 ┌─────────────────────────────────────────┐ │ Depth 2+ (Condensed Summary) │ │ - 高层抽象，1500-2000 tokens │ │ - 由多个 Depth 1 摘要压缩而来 │ ├───────...
阅读全文

[Hello-Agents] Day 2: 第一章 初识智能体

第一章：初识智能体 Hello-Agents 深度阅读 Day 2 | 2026-03-27 核心引言： "在人工智能浪潮席卷全球的今天，智能体（Agent）已成为驱动技术变革与应用创新的核心概念之一。掌握智能体的本质，将是你知识体系中不可或缺的一环。" 一、章节摘要 本章作为《Hello-Agents》的开篇，系统性地构建了智能体的认知框架。作者从最根本的问题出发——"智能体是什么？"——逐步展开一幅从概念定义到实践应用的完整图景。 章节结构清晰，分为四个核心模块： 1. 智能体概念与演进（Section 1.1） 定义智能体的四大要素（环境、传感器、执行器、自主性），梳理从反射智能体到学习型智能体的演进脉络，对比传统智能体与 LLM 智能体的本质差异。 2. 构成与运行原理（Section 1.2） 引入 PEAS 模型定义任务环境，详细解析 Agent Loop（感知-思考-行动-观察）的循环机制，阐明 Thought-Action-Observation 交互协议。 3. 动手实践（Section 1.3） 以"智能旅行助手"为案例，从零构建一个完整的 LLM 智能体，包含工具定义、Prompt 设计、循环执行、结果解析全流程。 4. 应用协作模式（Section 1.4） 区分"开发者工具"与"自主协作者"两种模式，对比 Workflow 与 Agent 的本质差异，展望多智能体协作的主流架构。 二、核心概念深度解析 2.1 智能体的本质定义 作者给出的定义简洁而精准： ...
阅读全文