Nanobrowser 浏览器智能体

能做什么

Nanobrowser 是一个运行在用户自备浏览器中的开源 AI 智能体扩展。用户在侧边栏用自然语言描述任务，智能体可读取网页、点击链接、输入文字、滚动页面并在多个标签页之间切换来完成任务。

• 任务执行：读取页面内容，模拟真实用户进行点击与输入，并在标签页间移动。
• 多任务并行：每个任务在独立的标签组中运行，可同时处理多个任务并继续浏览。
• 权限控制：提供 Ask 与 Auto 两种模式；提交、发送、删除、上传等动作在 Ask 模式下会先询问。付款、输入密码或验证码、授予访问权限等步骤始终交由用户执行。可按站点设置 Allow、Ask、Block。
• 模型选择：支持 Anthropic、OpenAI、Google Gemini、OpenRouter、xAI Grok、DeepSeek、Mistral 等云服务商，以及 Ollama、LM Studio 等本地模型，也支持任何 OpenAI 兼容端点；可按对话选择模型与推理强度。
• 附件与输出：可附加图片、文本文件或当前标签页截图；可将结果（如 CSV 表格或 Markdown 报告）保存到下载文件夹。
• 其他功能：快捷提示（输入 / 启动常用提示）、语音输入、记忆设置、长任务自动摘要历史、聊天历史回看与 Markdown 导出，界面支持英文、简体中文和繁体中文。

适用场景

• 总结当前页面要点。
• 比较多个已打开页面中的商品价格与规格并整理成表。
• 在电商站点按条件查找商品。
• 从新闻站点提取头条并保存为 CSV。

使用条件与限制

• 支持的浏览器为 Chrome 和 Edge；Firefox、Safari 及其他 Chromium 系浏览器未经验证。
• 需要用户自行提供所选模型服务商的 API Key 或配置本地模型服务。
• 模型必须支持工具调用（tool calling），可在设置中测试模型是否可用。
• 本地模型更适合简单明确的任务，建议上下文窗口不少于 16k tokens；Ollama 需配置 OLLAMA_ORIGINS，LM Studio 需开启 CORS。
• 语音输入使用 OpenAI 或 Gemini 的语音模型及对应 API Key。
• 智能体可能无法识别所有需要用户介入的步骤；页面文本仅作为信息而非指令处理，有助于降低提示注入风险，但并无完美防护。用户应使用可信站点并随时可按 Stop 接管。
• 项目以 Apache License 2.0 开源。