实战：使用 Stagehand + Qwen (通义千问) 实现智能化浏览器自动化

Stagehand 是一个专为 AI 时代设计的浏览器自动化 SDK。它建立在强大的 Playwright 千问 Qwen 教程 之上，但彻底改变了我们与浏览器交互的方式。

传统的自动化工具（如 Selenium 或原生 Playwright）要求开发者像“工匠”一样，精确地指定每一个操作的坐标或元素选择器（如 ）。一旦网页结构微调，脚本往往就会失效。

Stagehand 则让开发者变成了“指挥官”。 你不再需要关心底层的 DOM 结构，只需用自然语言下达指令（例如“点击注册按钮”或“提取所有商品价格”），Stagehand 就会利用大语言模型（LLM）的视觉和语义理解能力，自动分析页面并执行操作。它主要提供了三个核心能力：

• Act (行动): 执行具体操作（如点击、输入、滚动）。
• Extract (提取): 从页面中智能提取结构化数据。
• Observe (观察): 分析页面当前状态，为后续决策提供依据。

在浏览器自动化领域，Playwright 和 Selenium 是我们熟悉的工具，但它们通常需要精确的选择器（Selectors）和硬编码的逻辑。如果能让脚本“看懂”页面并根据自然语言指令行动呢？

本文将基于一段实战代码 ，深入解析如何利用 Stagehand 框架结合阿里云 Qwen (通义千问) 大模型，构建一个能够理解自然语言指令的自动化脚本。

在使用本技术之前，你需要安装 Stagehand 的 Python SDK 以及 Playwright 和环境变量管理工具。

打开终端，运行以下命令：

1. 获取 API Key: 确保你拥有阿里云 DashScope 的 API Key（用于调用 Qwen 模型）。
2. 配置环境: 在项目根目录创建 文件，填入你的 API Key：

• Stagehand: 一个旨在让 AI 驱动浏览器自动化的 SDK，它在 Playwright 之上提供了更高级的抽象（, , ）。
• Qwen (通义千问): 阿里云强大的大语言模型，这里我们使用的是 ，通过 DashScope API 调用。
• Python Asyncio: 用于处理异步浏览器操作。

传统的自动化脚本通常难以适配不同的 LLM，但 Stagehand 提供了灵活的配置接口。代码首先配置了 DashScope（灵积模型服务）作为 AI 后端。

关键点：

• 自定义模型：通过 ，我们指示 Stagehand 使用兼容 OpenAI 协议的 Qwen 模型。
• API Base：设置 指向阿里云的兼容接口，这是集成非 OpenAI 官方模型的关键技巧。

为了保证自动化过程的稳定性和可观测性，配置中包含了大量细节调优：

这些参数对于调试 AI 驱动的自动化非常重要，特别是 和 ，它们能显著提高 AI 在复杂单页应用（SPA）中的识别准确率。

Stagehand 的核心魔力在于 方法。我们不再查找 XPath 或 CSS Selector，而是直接告诉它“要做什么”。

AI 是如何工作的？
Stagehand 会抓取当前页面的 DOM 快照，将其简化后发送给 Qwen 模型。Qwen 理解“搜索框”和“输入”的语义，返回具体的 Playwright 操作指令。这使得脚本对页面改版具有极强的鲁棒性——只要搜索框还在，脚本就能跑。

除了操作，Stagehand 还支持结构化数据提取。

方法不仅仅是抓取文本，它会根据你的指令（Prompt）从杂乱的 HTML 中提炼出关键信息。这对于爬虫开发来说是一个巨大的效率提升。

相比于传统的浏览器自动化方案，结合 Stagehand 和 Qwen 的方案具有以下显著优势：

1. 零选择器维护 (Zero-Selector Maintenance)
   • 传统痛点: 页面改版导致 class 或 id 变化，脚本即刻失效。
   • 本方案优势: 基于视觉和语义理解页面，只要元素还在（哪怕位置变了、样式变了），脚本依然能找到并操作。
2. 自然语言驱动 (Natural Language Driven)
   • 传统痛点: 需要编写复杂的 代码，可读性差。
   • 本方案优势: 直接使用 ，代码即文档，非技术人员也能看懂。
3. 自适应与容错 (Adaptive & Robust)
   • 传统痛点: 遇到意外弹窗或加载延迟，脚本容易报错退出。
   • 本方案优势: 大模型具备一定的推理能力，可以根据上下文判断当前状态，甚至处理意料之外的简单交互。
4. 智能提取 (Intelligent Extraction)
   • 传统痛点: 编写正则表达式或解析规则提取数据非常繁琐且容易出错。
   • 本方案优势: 方法能直接将非结构化 HTML 转化为结构化的 JSON 数据。

这段代码展示了下一代浏览器自动化的雏形：

1. 去选择器化：不再依赖脆弱的 CSS/XPath 选择器。
2. 语义理解：模型理解“输入”、“点击”、“提取”的意图。
3. 多模型支持：证明了国产大模型（如 Qwen）完全有能力胜任此类复杂的 Agent 任务。

通过 ，我们看到了一个高度可配置、易于调试且具备 AI 智能的自动化测试/爬虫方案。无论是用于端到端测试（E2E Testing）还是数据采集，这种模式都极具潜力。