Communitygithub.com

LiChangZheng10086/doyin_ai_video

Automatización de navegador por CLI para agentes de IA. Útil cuando el usuario necesita interactuar con sitios web, incluyendo navegar páginas, llenar formularios, hacer clic en botones, tomar capturas de pantalla, extraer datos, probar aplicaciones web o automatizar cualquier tarea en el navegador.

¿Qué es doyin_ai_video?

Esta habilidad permite a los agentes de IA controlar un navegador Chrome/Chromium mediante una interfaz de línea de comandos (CLI) usando `agent-browser`. Proporciona un flujo de trabajo central de navegación, captura de estado (snapshot), interacción con elementos mediante referencias, y re-captura después de cambios en el DOM. Soporta encadenamiento de comandos con `&&`, manejo de autenticación (importación de estado del navegador del usuario, perfiles persistentes, sesiones con cookies/localStorage, bóveda de autenticación cifrada, y archivos de estado), y múltiples comandos esenciales como clic, llenado de formularios, selección de opciones, desplazamiento, espera de elementos o red inactiva, descargas, emulación de dispositivos y viewport, captura de pantalla y PDF, uso del portapapeles, y diferencias entre estados. También incluye modos para depuración visual (con navegador visible), manejo de archivos locales, simulación de iOS (Mobile Safari) y características de seguridad como límites de contenido y listas de dominios permitidos. La habilidad está diseñada para maximizar la eficiencia evitando reinicios innecesarios del navegador y minimizando la exposición de credenciales.

Compatible con~Claude Code~Codex CLI✓Cursor
npx skills add https://github.com/LiChangZheng10086/doyin_ai_video/tree/HEAD/.agents/skills/agent-browser

Preguntar en tu IA favorita

Abre un nuevo chat con esta habilidad de agente ya precargada.

Documentación

Automatización de navegador con agent-browser

La CLI usa Chrome/Chromium directamente mediante CDP. Instálala con npm i -g agent-browser, brew install agent-browser, o cargo install agent-browser. Ejecuta agent-browser install para descargar Chrome.

Flujo de trabajo principal

Cada automatización de navegador sigue este patrón:

  1. Navegar: agent-browser open <url>
  2. Capturar estado: agent-browser snapshot -i (obtiene referencias de elementos como @e1, @e2)
  3. Interactuar: Usa las referencias para hacer clic, llenar, seleccionar
  4. Re-capturar: Después de la navegación o cambios en el DOM, obtén referencias frescas
agent-browser open https://example.com/form
agent-browser snapshot -i
# Salida: @e1 [input type="email"], @e2 [input type="password"], @e3 [button] "Submit"

agent-browser fill @e1 "[email protected]"
agent-browser fill @e2 "password123"
agent-browser click @e3
agent-browser wait --load networkidle
agent-browser snapshot -i  # Verificar resultado

Encadenamiento de comandos

Los comandos se pueden encadenar con && en una sola invocación de shell. El navegador persiste entre comandos mediante un demonio en segundo plano, por lo que el encadenamiento es seguro y más eficiente que llamadas separadas.

# Encadenar open + wait + snapshot en una sola llamada
agent-browser open https://example.com && agent-browser wait --load networkidle && agent-browser snapshot -i

# Encadenar múltiples interacciones
agent-browser fill @e1 "[email protected]" && agent-browser fill @e2 "password123" && agent-browser click @e3

# Navegar y capturar
agent-browser open https://example.com && agent-browser wait --load networkidle && agent-browser screenshot page.png

Cuándo encadenar: Usa && cuando no necesites leer la salida de un comando intermedio antes de continuar (por ejemplo, open + wait + screenshot). Ejecuta comandos por separado cuando necesites analizar la salida primero (por ejemplo, snapshot para descubrir referencias, luego interactuar usando esas referencias).

Manejo de autenticación

Al automatizar un sitio que requiere inicio de sesión, elige el enfoque que se adapte:

Opción 1: Importar autenticación desde el navegador del usuario (más rápido para tareas únicas)

# Conectarse al Chrome en ejecución del usuario (ya ha iniciado sesión)
agent-browser --auto-connect state save ./auth.json
# Usar ese estado de autenticación
agent-browser --state ./auth.json open https://app.example.com/dashboard

Los archivos de estado contienen tokens de sesión en texto plano: agrégalos a .gitignore y elimínalos cuando ya no sean necesarios. Establece AGENT_BROWSER_ENCRYPTION_KEY para cifrado en reposo.

Opción 2: Perfil persistente (más simple para tareas recurrentes)

# Primera ejecución: iniciar sesión manualmente o mediante automatización
agent-browser --profile ~/.myapp open https://app.example.com/login
# ... llenar credenciales, enviar ...

# Todas las ejecuciones futuras: ya autenticado
agent-browser --profile ~/.myapp open https://app.example.com/dashboard

Opción 3: Nombre de sesión (guardar/restaurar automáticamente cookies + localStorage)

agent-browser --session-name myapp open https://app.example.com/login
# ... flujo de inicio de sesión ...
agent-browser close  # Estado guardado automáticamente

# Próxima vez: estado restaurado automáticamente
agent-browser --session-name myapp open https://app.example.com/dashboard

Opción 4: Bóveda de autenticación (credenciales almacenadas cifradas, inicio de sesión por nombre)

echo "$PASSWORD" | agent-browser auth save myapp --url https://app.example.com/login --username user --password-stdin
agent-browser auth login myapp

Opción 5: Archivo de estado (guardar/cargar manualmente)

# Después de iniciar sesión:
agent-browser state save ./auth.json
# En una sesión futura:
agent-browser state load ./auth.json
agent-browser open https://app.example.com/dashboard

Consulta references/authentication.md para patrones de OAuth, 2FA, autenticación basada en cookies y renovación de tokens.

Comandos esenciales

# Navegación
agent-browser open <url>              # Navegar (alias: goto, navigate)
agent-browser close                   # Cerrar navegador

# Captura de estado (snapshot)
agent-browser snapshot -i             # Elementos interactivos con referencias (recomendado)
agent-browser snapshot -i -C          # Incluir elementos interactivos con cursor (divs con onclick, cursor:pointer)
agent-browser snapshot -s "#selector" # Limitar a selector CSS

# Interacción (usar @refs del snapshot)
agent-browser click @e1               # Hacer clic en elemento
agent-browser click @e1 --new-tab     # Hacer clic y abrir en nueva pestaña
agent-browser fill @e2 "texto"         # Limpiar y escribir texto
agent-browser type @e2 "texto"         # Escribir sin limpiar
agent-browser select @e1 "opción"     # Seleccionar opción de menú desplegable
agent-browser check @e1               # Marcar casilla de verificación
agent-browser press Enter             # Presionar tecla
agent-browser keyboard type "texto"    # Escribir en el elemento enfocado (sin selector)
agent-browser keyboard inserttext "texto"  # Insertar sin eventos de teclado
agent-browser scroll down 500         # Desplazar página
agent-browser scroll down 500 --selector "div.content"  # Desplazar dentro de un contenedor específico

# Obtener información
agent-browser get text @e1            # Obtener texto de elemento
agent-browser get url                 # Obtener URL actual
agent-browser get title               # Obtener título de página
agent-browser get cdp-url             # Obtener URL del WebSocket CDP

# Espera
agent-browser wait @e1                # Esperar elemento
agent-browser wait --load networkidle # Esperar red inactiva
agent-browser wait --url "**/page"    # Esperar patrón de URL
agent-browser wait 2000               # Esperar milisegundos
agent-browser wait --text "Bienvenido"    # Esperar que aparezca texto (coincidencia de subcadena)
agent-browser wait --fn "!document.body.innerText.includes('Cargando...')"  # Esperar que desaparezca texto
agent-browser wait "#spinner" --state hidden  # Esperar que el elemento desaparezca

# Descargas
agent-browser download @e1 ./file.pdf          # Hacer clic en elemento para iniciar descarga
agent-browser wait --download ./output.zip     # Esperar que cualquier descarga se complete
agent-browser --download-path ./downloads open <url>  # Establecer directorio predeterminado de descargas

# Viewport y emulación de dispositivos
agent-browser set viewport 1920 1080          # Establecer tamaño viewport (predeterminado: 1280x720)
agent-browser set viewport 1920 1080 2        # 2x retina (mismo tamaño CSS, capturas de mayor resolución)
agent-browser set device "iPhone 14"          # Emular dispositivo (viewport + user agent)

# Captura
agent-browser screenshot              # Captura de pantalla en directorio temporal
agent-browser screenshot --full       # Captura de pantalla de página completa
agent-browser screenshot --annotate   # Captura anotada con etiquetas numeradas de elementos
agent-browser screenshot --screenshot-dir ./shots  # Guardar en directorio personalizado
agent-browser screenshot --screenshot-format jpeg --screenshot-quality 80
agent-browser pdf output.pdf          # Guardar como PDF

# Portapapeles
agent-browser clipboard read                      # Leer texto del portapapeles
agent-browser clipboard write "¡Hola, Mundo!"     # Escribir texto en el portapapeles
agent-browser clipboard copy                      # Copiar selección actual
agent-browser clipboard paste                     # Pegar desde el portapapeles

# Diferencia (comparar estados de página)
agent-browser diff snapshot                          # Comparar snapshot actual vs último
agent-browser diff snapshot --baseline before.txt    # Comparar actual vs archivo guardado
agent-browser diff screenshot --baseline before.png  # Diferencia visual de píxeles
agent-browser diff url <url1> <url2>                 # Comparar dos páginas
agent-browser diff url <url1> <url2> --wait-until networkidle  # Estrategia de espera personalizada
agent-browser diff url <url1> <url2> --selector "#main"  # Limitar a elemento

Patrones comunes

Envío de formularios

agent-browser open https://example.com/signup
agent-browser snapshot -i
agent-browser fill @e1 "María García"
agent-browser fill @e2 "[email protected]"
agent-browser select @e3 "California"
agent-browser check @e4
agent-browser click @e5
agent-browser wait --load networkidle

Autenticación con bóveda de autenticación (Recomendado)

# Guardar credenciales una vez (cifradas con AGENT_BROWSER_ENCRYPTION_KEY)
# Recomendado: pasar contraseña por stdin para evitar exposición en historial de shell
echo "pass" | agent-browser auth save github --url https://github.com/login --username user --password-stdin

# Iniciar sesión usando perfil guardado (el LLM nunca ve la contraseña)
agent-browser auth login github

# Listar/mostrar/eliminar perfiles
agent-browser auth list
agent-browser auth show github
agent-browser auth delete github

Autenticación con persistencia de estado

# Iniciar sesión una vez y guardar estado
agent-browser open https://app.example.com/login
agent-browser snapshot -i
agent-browser fill @e1 "$USERNAME"
agent-browser fill @e2 "$PASSWORD"
agent-browser click @e3
agent-browser wait --url "**/dashboard"
agent-browser state save auth.json

# Reutilizar en sesiones futuras
agent-browser state load auth.json
agent-browser open https://app.example.com/dashboard

Persistencia de sesión

# Guardar/restaurar automáticamente cookies y localStorage al reiniciar el navegador
agent-browser --session-name myapp open https://app.example.com/login
# ... flujo de inicio de sesión ...
agent-browser close  # Estado guardado en ~/.agent-browser/sessions/

# La próxima vez, el estado se carga automáticamente
agent-browser --session-name myapp open https://app.example.com/dashboard

# Cifrar estado en reposo
export AGENT_BROWSER_ENCRYPTION_KEY=$(openssl rand -hex 32)
agent-browser --session-name secure open https://app.example.com

# Gestionar estados guardados
agent-browser state list
agent-browser state show myapp-default.json
agent-browser state clear myapp
agent-browser state clean --older-than 7

Extracción de datos

agent-browser open https://example.com/products
agent-browser snapshot -i
agent-browser get text @e5           # Obtener texto de elemento específico
agent-browser get text body > page.txt  # Obtener todo el texto de la página

# Salida JSON para análisis
agent-browser snapshot -i --json
agent-browser get text @e1 --json

Sesiones paralelas

agent-browser --session site1 open https://site-a.com
agent-browser --session site2 open https://site-b.com

agent-browser --session site1 snapshot -i
agent-browser --session site2 snapshot -i

agent-browser session list

Conectarse a Chrome existente

# Descubrir automáticamente Chrome en ejecución con depuración remota habilitada
agent-browser --auto-connect open https://example.com
agent-browser --auto-connect snapshot

# O con puerto CDP explícito
agent-browser --cdp 9222 snapshot

Esquema de colores (Modo oscuro)

# Modo oscuro persistente mediante bandera (aplica a todas las páginas y nuevas pestañas)
agent-browser --color-scheme dark open https://example.com

# O mediante variable de entorno
AGENT_BROWSER_COLOR_SCHEME=dark agent-browser open https://example.com

# O establecer durante la sesión (persiste para comandos posteriores)
agent-browser set media dark

Viewport y pruebas responsivas

# Establecer un tamaño de viewport personalizado (predeterminado es 1280x720)
agent-browser set viewport 1920 1080
agent-browser screenshot desktop.png

# Probar diseño de ancho móvil
agent-browser set viewport 375 812
agent-browser screenshot mobile.png

# Retina/HiDPI: mismo diseño CSS con densidad de píxeles 2x
# Las capturas de pantalla mantienen el tamaño lógico del viewport, pero el contenido se renderiza a mayor DPI
agent-browser set viewport 1920 1080 2
agent-browser screenshot retina.png

# Emulación de dispositivo (establece viewport + user agent en un solo paso)
agent-browser set device "iPhone 14"
agent-browser screenshot device.png

El parámetro scale (3er argumento) establece window.devicePixelRatio sin cambiar el diseño CSS. Úsalo al probar renderizado retina o capturar capturas de pantalla de mayor resolución.

Navegador visual (Depuración)

agent-browser --headed open https://example.com
agent-browser highlight @e1          # Resaltar elemento
agent-browser inspect                # Abrir Chrome DevTools para la página activa
agent-browser record start demo.webm # Grabar sesión
agent-browser profiler start         # Iniciar perfilado de Chrome DevTools
agent-browser profiler stop trace.json # Detener y guardar perfil (ruta opcional)

Usa AGENT_BROWSER_HEADED=1 para habilitar el modo con navegador visible mediante variable de entorno. Las extensiones del navegador funcionan tanto en modo con navegador visible como sin interfaz gráfica.

Archivos locales (PDFs, HTML)

# Abrir archivos locales con URLs file://
agent-browser --allow-file-access open file:///ruta/al/documento.pdf
agent-browser --allow-file-access open file:///ruta/a/pagina.html
agent-browser screenshot output.png

Simulador de iOS (Mobile Safari)

# Listar simuladores iOS disponibles
agent-browser device list

# Iniciar Safari en un dispositivo específico
agent-browser -p ios --device "iPhone 16 Pro" open https://example.com

# Mismo flujo de trabajo que en escritorio: snapshot, interactuar, re-snapshot
agent-browser -p ios snapshot -i
agent-browser -p ios tap @e1          # Tocar (alias de click)
agent-browser -p ios fill @e2 "texto"
agent-browser -p ios swipe up         # Gesto específico de móvil

# Tomar captura de pantalla
agent-browser -p ios screenshot mobile.png

# Cerrar sesión (apaga el simulador)
agent-browser -p ios close

Requisitos: macOS con Xcode, Appium (npm install -g appium && appium driver install xcuitest)

Dispositivos reales: Funciona con dispositivos iOS físicos si están preconfigurados. Usa --device "<UDID>" donde UDID proviene de xcrun xctrace list devices.

Seguridad

Todas las características de seguridad son optativas. Por defecto, agent-browser no impone restricciones en navegación, acciones o salida.

Límites de contenido (Recomendado para agentes de IA)

Habilita --content-boundaries para envolver la salida proveniente de la página en marcadores que ayuden a los LLM a distinguir la salida de la herramienta del contenido no confiable de la página:

export AGENT_BROWSER_CONTENT_BOUNDARIES=1
agent-browser snapshot
# Salida:
# --- AGENT_BROWSER_PAGE_CONTENT nonce=<hex> origin=https://example.com ---
# [árbol de accesibilidad]
# --- END_AGENT_BROWSER_PAGE_CONTENT nonce=<hex> ---

Lista de dominios permitidos

Restringe la navegación a dominios de confianza. Los comodines como *.example.com también coinciden con el dominio base example.com. Las solicitudes de subrecursos, conexiones WebSocket y EventSource a dominios no permitidos también se bloquean. Incluye los dominios CDN de los que dependen tus páginas objetivo:

export AGENT_BROWSER_ALLOWED_DOMAINS="*.example.com,*.api.example.com,cdn.example.com"
agent-browser open https://app.example.com/dashboard
# Navegación bloqueada si intenta ir a https://malicious-site.com

Ayuda de comandos

agent-browser --help                 # Ayuda general
agent-browser open --help            # Ayuda de subcomando specifico

Referencias

Nota: agent-browser está diseñado para ser eficiente manteniendo el navegador abierto entre invocaciones de comandos, evitando reinicios costosos. Siempre que sea posible, encadena comandos cuando no necesites leer la salida de un comando intermedio.

Individual skills in this repo

This repo contains 12 individual skills — each has its own dedicated page.

LiChangZheng10086/doyin_ai_video

Reference for the Claude API / Anthropic SDK — model ids, pricing, params, streaming, tool use, MCP, agents, caching, token counting, model migration. TRIGGER — read BEFORE opening the target file; don't skip because it "looks like a one-liner" — whenever: the prompt names Claude/Anthropic in any form (Claude, Anthropic, Fable, Opus, Sonnet, Haiku, `anthropic`, `@anthropic-ai`, `claude-*`, `us.anthropic.*`, `[1m]`); the user asks about an LLM (pricing/model choice/limits/caching) — never answer from memory; OR the task is LLM-shaped with provider unstated (agent/MCP/tool-definition/multi-agent/RAG/LLM-judge/computer-use; generate/summarize/extract/classify/rewrite/converse over NL; debugging refusals/cutoffs/streaming/tool-calls/tokens). SKIP only when another provider is being worked on (overrides all triggers): OpenAI/GPT/Gemini/Llama/Mistral/Cohere/Ollama named in the query; OR `grep -rE 'openai|langchain_openai|google.generativeai|genai|mistralai|cohere|ollama'` over the project hits (run this grep FIR...

LiChangZheng10086/doyin_ai_video

Use this skill whenever the user wants to create, read, edit, or manipulate Word documents (.docx files) or Word templates (.dotx files). Triggers include: any mention of 'Word doc', 'word document', '.docx', '.dotx', or requests to produce professional documents with formatting like tables of contents, headings, page numbers, or letterheads. Also use when extracting or reorganizing content from .docx or .dotx files, inserting or replacing images in documents, performing find-and-replace in Word files, working with tracked changes or comments, or converting content into a polished Word document. If the user asks for a 'report', 'memo', 'letter', 'template', or similar deliverable as a Word or .docx file, use this skill. Do NOT use for PDFs, spreadsheets, Google Docs, or general coding tasks unrelated to document generation.

LiChangZheng10086/doyin_ai_video

Guidance for distinctive, intentional visual design when building new UI or reshaping an existing one. Helps with aesthetic direction, typography, and making choices that don't read as templated defaults.

LiChangZheng10086/doyin_ai_video

Grill me about specs for the workflows I want to build, within this workspace.

LiChangZheng10086/doyin_ai_video

Use this skill whenever the user wants to do anything with PDF files. This includes reading or extracting text/tables from PDFs, combining or merging multiple PDFs into one, splitting PDFs apart, rotating pages, adding watermarks, creating new PDFs, filling PDF forms, encrypting/decrypting PDFs, extracting images, and OCR on scanned PDFs to make them searchable. If the user mentions a .pdf file or asks to produce one, use this skill.

LiChangZheng10086/doyin_ai_video

智能 PPT 生成器。支持 7 种视觉风格(乐高/波普/黏土/黑白/商务/学术/科技),具备根据内容自动推荐风格、生成大纲、绘制配图并组装成片的全自动能力。

LiChangZheng10086/doyin_ai_video

Use this skill any time a .pptx or .potx file is involved in any way — as input, output, or both. This includes: creating slide decks, pitch decks, or presentations; reading, parsing, or extracting text from any .pptx or .potx file (even if the extracted content will be used elsewhere, like in an email or summary); editing, modifying, or updating existing presentations; combining or splitting slide files; working with templates (.potx), layouts, speaker notes, or comments. Trigger whenever the user mentions \"deck,\" \"slides,\" \"presentation,\" or references a .pptx or .potx filename, regardless of what they plan to do with the content afterward. If a .pptx or .potx file needs to be opened, created, or touched, use this skill.

LiChangZheng10086/doyin_ai_video

Diagnose and fix React codebase health issues. Use when reviewing React code, fixing performance problems, auditing security, or improving code quality.

LiChangZheng10086/doyin_ai_video

Sentry error monitoring and performance tracing patterns for Next.js applications.

LiChangZheng10086/doyin_ai_video

Simplify and refine recently modified code for clarity and consistency. Use after writing code to improve readability without changing functionality.

LiChangZheng10086/doyin_ai_video

✅ "你知道今天所有大模型能读懂你的话,全靠一个叫Transformer的架构吗?"

LiChangZheng10086/doyin_ai_video

Use this skill any time a spreadsheet file is the primary input or output. This means any task where the user wants to: open, read, edit, or fix an existing .xlsx, .xlsm, .xltx, .csv, or .tsv file (e.g., adding columns, computing formulas, formatting, charting, cleaning messy data); create a new spreadsheet from scratch or from other data sources; or convert between tabular file formats. Trigger especially when the user references a spreadsheet file by name or path — even casually (like \"the xlsx in my downloads\") — and wants something done to it or produced from it. Also trigger for cleaning or restructuring messy tabular data files (malformed rows, misplaced headers, junk data) into proper spreadsheets. The deliverable must be a spreadsheet file. Do NOT trigger when the primary deliverable is a Word document, HTML report, standalone Python script, database pipeline, or Google Sheets API integration, even if tabular data is involved.

Skills relacionados