浏览器自动化
octo 通过 DevTools Protocol（CDP）直接操作一个真实的 Chrome 标签页——不依赖任何 headless 浏览器 框架，也不需要额外的运行时。
octo browser setup怎么连上 Chrome
Section titled “怎么连上 Chrome”browser 工具按下面这个顺序尝试拿到一个页面：
- 已知的调试端口（config.yml 里的
browser.connect_port）——直接连，失败了不会退而求其次。 这就是octo browser setup帮你接好的那条路。 - 接入一个已经在跑、开了远程调试的 Chrome（
browser.attach_running: true）——复用你的登录态； 绝不会去劫持一个原本没开调试的浏览器。 - 启动一个全新的临时 profile——上面两个都没配或者都不可用时的默认选项。
不管走哪条路连上，octo 都会打开一个全新标签页，而不是复用你已经开着的某个标签页（包括它自己
Web UI 的那个）——要操作一个已有标签页，必须显式调用 pages/select_page 这类动作。连接会在整个
会话里复用，调试器授权提示只需要点一次，不会每次导航都弹。
octo browser setup
Section titled “octo browser setup”octo browser setup带你一步步打开 chrome://inspect/#remote-debugging（Chrome 144+ 之后默认 profile 上的旧
--remote-debugging-port flag 被禁用了，所以走 inspect 页面的勾选框是目前支持的路径），然后循环
探测 9222 端口——不只是确认连上了，还会验证一次真正的页面级 CDP 调用能成功（浏览器级连接可能成功，
但页面控制在新版 Chrome 上还是会失败）。成功之后会把 browser.connect_port 存进你的配置；失败就
提示你去开那个开关，回车重试，或者随时退出、以后再跑一遍。
这个动作没有对应的 CLI 命令——录制是通过 browser 工具的 record_start / record_stop 两个动作
驱动的，可以由模型调用，也可以点 Web UI 的录制按钮。
关键的一点：它录的是你做的操作，不是模型做的操作。 调用 record_start 之后，agent 会把浏览器
交给你，由你亲自完成这些步骤，说一声“做完了”之后，agent 才调用 record_stop <name>。
每一步会记录：动作类型（click / type / select / upload / navigate）、一个锚定在最近的、
带稳定 id 的祖先元素上的选择器（而不是脆弱的、按位置算的选择器链）、这个元素的可见文本，以及
当时的 URL。之后会有一个模型处理步骤对原始录制做提炼——去掉绕路的死胡同、把你输入的具体值换成
{{param}} 占位符、写一段描述——但它只能重新排列或者重命名真实录到的步骤，不能凭空造一个新目标：
任何一步如果它的选择器不在原始录制里，就会被拒绝，退回用原始版本。
录制会以纯 YAML 的形式存在 ~/.octo/browser-skills/<name>.yaml——可读、可手改、可以用 git 追踪
差异。
browser(action: "run_skill", name: "<录制名>", params: { ... })回放在常见情况下是确定性的——不涉及模型调用。每一步会先等目标出现，再执行，如果录制里声明了
verify 还会做一次校验。几个值得知道的健壮性细节：
- 点击会先找原始录制里的那个选择器；如果页面结构有点变化，但一个带着录制时记下的那段文字的元素 还在，就会点那个元素，而不是直接失败。
- 如果某一步打开了新标签页，后续步骤会自动跟到那个新标签页上。
- 输入之后如果字段意外变成空的，会先清空重打一次，再失败才真正判定这一步失败。
返回结果是一个结构化对象——{skill, steps, outputs, self_healed?}——所以一段录制声明的
outputs（提取出来的值、下载文件的路径）可以通过 skill("browser:<name>", params) 直接接进
工作流。
如果某一步的选择器找不到任何东西了——而且只有在配置了用于这个用途的模型时——octo 会对页面当前 可交互的元素取一份文本摘要（选择器 + 可见文本，不截图，不挑模型），把这份摘要连同预期动作、 预期的文字标签、失效的旧选择器一起发给模型，让它只回复一个修正后的 CSS 选择器。修正会被重试一次， 如果成功就写回这段录制的 YAML 文件——所以一次自愈是持久生效的，不是临时补丁，以后每次回放都不用 再修一遍。
权限与视觉能力
Section titled “权限与视觉能力”浏览器动作走的是和其他工具一样的权限引擎——在一个已登录账号上点击或者提交表单，会被当成一次 真实的、影响很大的动作，而不是只读的一步。截图只有在当前模型支持视觉能力时才会以图片 block 返回；纯文本模型拿到的是一条文字提示，而不是一个会被拒绝的图片 block。
下一步：录制可以通过 skill("browser:<name>") 直接接进工作流脚本。