Craft Agent v0.6.0 实战指南内置浏览器、文档工具与多面板分支工作流【免费下载链接】craft-agents-oss项目地址: https://gitcode.com/GitHub_Trending/cr/craft-agents-ossCraft Agent v0.6.0 是一次以“内置能力”为核心的大版本升级Agent 不再依赖外部浏览器扩展或 Python 文档处理包而是直接内置了完整的浏览器自动化能力与全套文档处理工具同时引入会话分支与多面板布局让多任务并行与结果对比成为日常操作。本文以官方发布说明为主线结合仓库源码逐项拆解这些能力的真实实现与实战用法读完你既能掌握browser_tool的命令全集也能理解文档工具链与特权审批机制的底层设计。集成浏览器从“打开网页”到“端到端自动化”v0.6.0 最核心的变化是Craft Agent 拥有了完整的内置浏览器——无需安装扩展、无需外部工具Agent 可以在应用内部直接浏览网页、填写表单、提取数据并截屏。发布说明概括了四个关键特性应用内浏览器面板—— 浏览器窗口以面板形式与对话并排打开你可以实时观察 Agent 的导航过程特权执行审批—— 敏感浏览器操作需要显式批准用户始终掌握控制权智能截图—— 默认使用 JPEG 格式配合正确的 DPI 缩放更快、更小完整 CLI 命令集—— 导航、点击、填写、滚动、截屏、执行 JS、管理下载等一应俱全。从源码看browser_tool的命令全集在源码中浏览器能力被封装为单一的会话级工具browser_tool其完整命令说明位于 browser-tools.ts。这是一个 CLI 风格的工具支持字符串模式可用分号批量执行如fill e1 value; fill e2 value; click e3与数组模式保留原始参数中的分号、制表符与换行推荐用于evaluate和paste这类含特殊字符的场景。从工具描述与BrowserPaneFns接口browser-tools.ts可以归纳出完整的命令矩阵类别命令说明生命周期open/focus/windows/release/close/hide打开新窗口、聚焦已有窗口、列出窗口、释放控制、关闭/隐藏窗口导航navigate url/back/forward跳转与前进后退元素交互snapshot/find 关键词/click eN/click-at x y/drag x1 y1 x2 y2/fill eN value/type text/select eN value/upload eN file基于可访问性树的eN元素引用进行定位与操作键盘与剪贴板key key/set-clipboard/get-clipboard/paste发送按键、读写剪贴板、模拟 Ctrl/CmdV截图screenshot/screenshot --annotated/screenshot-region ...整页截图--annotated会在交互元素上叠加eN标签区域截图支持坐标、--ref eN或--selector三种定位方式页面诊断console [n] [level]/network [n] [status]/wait network-idle控制台日志、网络请求日志、等待网络空闲执行evaluate js在页面上下文中执行 JavaScript窗口管理window-resize 1440 900调整视口尺寸响应式调试常用下载downloads list/downloads wait ms列出或等待下载完成值得注意的是截图参数browser-tools.ts明确支持format: png | jpeg与jpegQuality而browser-pane-manager.ts中截图实现同样维护了 PNG/JPEG 双格式支持见 browser-pane-manager.ts这正是发布说明中“JPEG 默认、更快更小的截图”的技术落点。会话结束后工具描述会提示 Agent 调用close关闭窗口或release释放覆盖层把浏览控制权交还给用户。特权执行审批控制权在用户手中“敏感浏览器操作需要显式批准”的实现主体是 privileged-execution-broker.ts。从源码看该模块承担三项职责审批绑定为每次特权请求生成requestId对命令做 SHA-256 哈希commandHash批准时校验哈希一致防止请求被篡改TTL 过期默认审批有效期DEFAULT_APPROVAL_TTL_SECONDS 120秒privileged-execution-broker.ts超时自动拒绝策略与审计内置白名单策略当前仅放行brew install/upgrade --cask与installer -pkg ... -target /类命令见 privileged-execution-broker.ts所有请求创建、批准、拒绝、过期、哈希不匹配事件都会追加写入审计日志~/.craft-agent/logs/privileged-actions.jsonl。也就是说敏感操作会经历“策略预检 → 用户审批带过期时间→ 哈希校验 → 审计落盘”的完整链路任何一步不通过都不会执行。端到端自动化场景内置浏览器真正的价值在于打通“数据”与“行动”之间的最后一环。官方示例是从 Amplitude 拉取本周指标 → 在内网工具中填写周报表单 → 把摘要发布到 Slack。整个过程无需人工介入浏览器面板可以实时展示每一步的导航、填写与提交。文档工具告别pip install python-docxv0.6.0 内置了整套文档处理工具覆盖 PDF、Word、Excel、PowerPoint、图片与日历文件无需任何 Python 包或外部依赖。发布说明列出的八个工具在系统提示词中有完整的命令示例见 system.ts工具用途示例markitdown通用文档转 Markdowndocx/xlsx/pptx/pdf/html/ipynbmarkitdown report.docxpdf-tool提取文本、合并、拆分、查看信息pdf-tool extract report.pdfxlsx-tool读写与导出 Excelxlsx-tool read data.xlsxdocx-tool创建与编辑 Worddocx-tool create output.docx --title Reportpptx-tool查看与处理 PowerPointpptx-tool info presentation.pptximg-tool缩放、转换格式、提取元数据img-tool resize photo.jpg --width 800doc-diff并排对比两份文档doc-diff old.docx new.docxical-tool读取与解析日历文件ical-tool read calendar.ics所有工具都支持--help查看完整用法并支持-o file将输出写入文件而非标准输出。系统提示词还给出了两条实用建议system.ts把markitdown 当作万能转换器它覆盖.docx、.xlsx、.pptx、.pdf、.html、.ipynb等格式当 Read 工具读取二进制文件如.docx、.xlsx失败时用markitdown file转成可读文本再继续。源码中的文件类型映射在 claude-agent.ts 中可以看到各扩展名对应的推荐处理工具.pdf走markitdown or pdf-tool extract.docx走markitdown.xlsx走markitdown or xlsx-tool read.pptx走markitdown or pptx-tool extract.doc/.xls/.ppt以及邮件格式.msg/.eml/.rtf则统一交给markitdown。这解释了为什么“读取二进制文件”在 v0.6.0 中不再是障碍——文件上传读取链路会对 Office 扩展名走 base64 读取并交由 markitdown 转换见 files.ts。典型工作流官方给出的组合示例极具代表性从 Google Drive 下载最新报告 → 用 markitdown/xlsx-tool 提取数据表格 → 为每条行动项创建一条 Linear issue。相比以往先要“装 pandas”、再写脚本解析如今一句话即可完成整条数据流水线。分支与多面板并行探索不再怕走错路工作区现在支持会话分支与多面板同时查看会话分支Session branching—— 在对话的任意节点分叉并行探索不同方案原对话线程不受影响多面板视图Multi-panel view—— 浏览器、文档、对话并排展示新会话列表设计—— 会话管理更清晰、更有序。实际用法并行对比两种实现策略、写代码时旁边常驻浏览器面板、并排比较两份输出。分支的意义在于——永远不必担心“走错了路”分支重试即可。这一能力与上一节的浏览器、文档工具形成配合你可以同时开着浏览器面板观察 Agent 操作、打开文档面板查看处理结果再回到对话继续调整指令。模型更新Sonnet 4.6—— 所有 Sonnet 4.5 连接自动迁移到 Sonnet 4.6Copilot 模型匹配—— 修复了 GitHub Copilot 连接的模型 ID 解析问题连接兼容性—— 修复anthropic_compat连接拒绝裸模型名bare model names的问题。这些修复都属于连接层llm-connections、模型解析模块的兼容性收尾目的是让不同来源的模型连接都能稳定解析并执行会话。改进v0.6.0 还包含一批面向安全、稳定性与可发现性的改进探索模式安全基线—— 默认白名单在原有只读搜索命令基础上新增常见 typecheck 命令bun run typecheck、tsc --noEmit等降低开发者在探索模式下的摩擦会话工具可靠性—— 统一了 Claude、Pi、session-mcp-server 各后端的工具列表与执行逻辑防止漂移权限模式处理—— 改进权限模式切换时的会话状态跟踪工作区作用域—— source 与 skill 的广播消息现在限定在活动工作区内避免跨工作区干扰自动化可发现性—— 空自动化状态页新增 “Learn More” 与 “Add Automation” 入口并在 Help 菜单补充链接特性开关健壮性—— 运行时安全求值避免调试会话中的导入顺序问题类型检查覆盖——typecheck:all现在包含session-tools-core包。其中“统一各后端工具列表与执行逻辑”在仓库中有对应佐证session-tools-core的 handlers 目录handlers承载了配置校验、模板渲染、脚本沙箱、状态/标签管理等会话级工具定义是各后端工具对齐的公共底座。Bug 修复超大图片—— 防止超大图片永久性破坏会话图片缩放—— 强化了图片缩放的错误作用域与元数据剥离工具输入历史—— 从会话历史展示中剥离_displayName/_intent元数据窗口拖拽区—— 修复 TopBar 拖拽区域日志噪音—— 清理调试日志将readFile的 ENOENT 降级为 debug 级别重复模型—— 修复连接迁移过程中的重复模型条目Git BashWindows—— 修复自 v0.5.0 起被跳过的 onboarding 检查。_displayName/_intent正是系统提示词中规定的所有 MCP 工具必填元数据字段见 system.ts本次修复确保这些用于 UI 反馈与结果摘要的元数据不再污染会话历史本身。小结v0.6.0 通过内置浏览器、内置文档工具、分支与多面板三大支柱把 Craft Agent 从“能聊、能读”推进到“能看、能操作、能并行”的完整自动化 Agent浏览器面板解决了 Agent 与现实网页的交互问题markitdown 等文档工具消灭了环境依赖分支与多面板则让复杂任务的多路并行成为可能。三者叠加端到端工作流拉数据 → 处理文档 → 填写表单 → 汇总发布真正做到了开箱即用。如果你想深入源码验证推荐从这三处入手命令全集看 browser-tools.ts、审批与审计机制看 privileged-execution-broker.ts、文档工具的系统级命令说明看 system.ts。【免费下载链接】craft-agents-oss项目地址: https://gitcode.com/GitHub_Trending/cr/craft-agents-oss创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考