給 Agent 一個終端機，讓它像工程師一樣「讀」網頁
Webwright 是微軟研究院開源的極簡終端機式 Web Agent harness。它不把網頁原始碼無腦塞進 Context 讓 LLM「猜」，而是給 Agent 一個終端機，讓它自己寫並執行 Playwright 程式來讀網頁、必要時截圖自我驗證，最後產出一支可重複執行的 Python 腳本。
傳統做法把整頁 HTML 丟給 LLM 用「猜」的，中間混雜大量導覽列、廣告、樣式雜訊，結果常常出錯。
locked 在「看一頁 → 預測一個動作」的迴圈裡。流程一長，錯誤層層累積，第 30 步就崩給你看。
靠座標點擊或固定 selector，頁面一改版、一 lazy load 就整個失效,沒辦法穩定重跑。
這次抓完的流程留不下來，下次同類任務要重新讓 AI 想一遍，時間與 token 都重複燒。
Webwright 把這些事，變成一支可重跑的程式。
不是「猜網頁」，而是讓 Agent 寫扣、執行、截圖驗證、收工。
Agent 直接寫 Playwright 程式操作網頁，複雜邏輯（等 DOM 條件、處理 lazy load、翻頁迴圈）一次封裝成單一執行步驟。
瀏覽器隨開隨關、用完即丟，真正的真相來源是本地目錄裡的程式碼、log 與截圖，不依賴脆弱的瀏覽器 session。
必要時用無頭瀏覽器截圖，比對每個關鍵點是否真的抓對，確認無誤才宣告完成，大幅提高正確率。
craft 模式產出帶 argparse 的 CLI 工具，改參數就能再跑：--origin JFK --date 2026-07-01，等同自動長出 RPA。
把任務拆解寫進 plan.md，列出要走哪些頁、抓哪些欄位、用什麼條件驗收。
在終端機裡寫並跑 Playwright 程式，spawn 瀏覽器檢視回來的資料，自主決定下一步、迭代修正。
對存下的截圖做視覺比對，確認關鍵結果正確；不對就回到階段二重寫，直到通過。
三個階段在一個 flat 的 prompt → observe → act 迴圈裡反覆串接 — 像工程師迭代一支 RPA 腳本，而非 AI 一次性盲猜。
老網站、要逐步選下拉條件、結果動態載入又要翻頁，單次「讀一頁丟給 LLM」很容易漏抓。
商業司每查一家就要重填表單、過驗證、點進去抓欄位，人工做 30 次想死。
591 是重 JS、lazy load、要捲動載入、要翻頁的典型動態站，沒有乾淨 API。
全國法規資料庫、司法院判決查詢，跨頁、要點進每筆、結果零散。
# Python 3.10+，clone repo 後於根目錄執行
pip install -e .
playwright install chromium
# 備妥 OPENAI_API_KEY / ANTHROPIC_API_KEY
# （Claude Code 模式可免）mkdir -p ~/.claude/skills ~/.claude/commands
ln -s "$PWD/skills/webwright" ~/.claude/skills/webwright
ln -s "$PWD/skills/webwright/commands" \
~/.claude/commands/webwright
# 重啟後：/webwright:run 或 /webwright:craftopenclaw plugins install /absolute/path/to/Webwright
openclaw gateway restart
# 移除：openclaw plugins uninstall webwrightmkdir -p ~/.hermes/skills
ln -sfn /path/to/Webwright/skills/webwright \
~/.hermes/skills/webwright
# 啟動 hermes，自然語言觸發或 /webwright如果你已開著 Claude Code / Codex 且能存取檔案系統，可以直接餵網址讓它代裝：
根據這個網頁幫我安裝 webwright skill： https://github.com/microsoft/Webwright
Agent 會自己跑完上述步驟。 注意：它仍要實際執行 pip / playwright，不是一句話就裝完。
同一個 skills/webwright/ 純檔案包可跨 Claude Code、Codex、OpenClaw、Hermes 載入 — 但唯有「終端機原生」的 Agent 才跑得起它的 Python + 瀏覽器 runtime。
個人測試：放獨立沙箱 / 目錄，公開無登入資料的任務最安全。
企業客戶：建議先 fork 自審、隔離環境後再上線，符合 SPEAK 的 A（Authority）隔離原則。
教學專用：當作 web agent 架構（Code-as-Action vs 座標預測）的教材極佳。