Tabbit CLI 教程：安裝、任務空間與回傳結果

Tabbit CLI 讓受支持的本地 Agent 操作已啓動的 Tabbit。安裝官方桌面應用，確認 Agent 能加載 tabbit skill，再檢查啓動器能否連到目標瀏覽器。接通後，用一個練習任務驗證頁面結果和回傳結果。

安裝並核對官方啓動器

從 Tabbit 官方站下載並啓動桌面應用，再重啓 Agent 讓它重新加載已安裝的 skill。macOS 啓動器位於 $HOME/.local/bin/tabbit-cli。Windows 的 skill 位於當前用戶目錄，PowerShell 啓動器按官方指引位於 LocalAppData 的 Tabbit/LocalAgent/bin/tabbit-cli.exe。先運行 diagnose，確認連接的是預期版本。

如果同時執行多個版本，取啟動器為目標瀏覽器印出的執行個體 ID，整個任務沿用同一 TABBIT_PLAYWRIGHT_INSTANCE 值。

launcher="$HOME/.local/bin/tabbit-cli"
"$launcher" diagnose

官方安裝指南 · 下載並安裝 Tabbit · Tabbit 瀏覽器概覽

Agent 需要哪些條件

Agent 需要能運行本機命令的 shell 或受支持的集成，運行環境要能到達 Tabbit 運行時。還要能加載 skill 或按文件調用啓動器。識別 skill、連到目標瀏覽器、讀出頁面結果是三項不同的檢查。純雲端客戶端先驗證是否有連接路徑。

適合 Agent 的瀏覽器 · 瀏覽器 Agent

新建一個有名字的任務

給任務起清楚的名字。導航、動作和驗證沿用同一個名字。先打開無需賬號的練習頁，回報標題和未展開的狀態。每次調用使用不同請求 ID，動作 ID 留作之後恢復回傳結果。

需要時將指令中的網址換成下方連結。重新練習時使用新的任務名稱與請求 ID。

"$launcher" nodejs --task "CLI practice" --request-id cli-practice-open <<'JS'
await page.goto('https://go.tabbit.ai/blog/tabbit-cli-complete-guide/fixture.html');
return { title: await page.title(), visible: await page.locator('#source').isVisible() };
JS

打開練習頁 · 瀏覽器自動化 · 讓 AI Agent 操作瀏覽器

用回傳結果恢復結果

沿用任務名，展開一次 Show source details，回讀可見編號。如果沒有收到響應，用原請求 ID 查詢 receipt。這樣能取得原動作結果，無需再次點擊。對可能已經完成的操作，重試前先核對頁面狀態。

"$launcher" nodejs --task "CLI practice" --request-id cli-practice-click <<'JS'
await page.getByText('Show source details', { exact: true }).click();
return await page.locator('#source').innerText();
JS
"$launcher" receipt --task "CLI practice" --request-id cli-practice-click

Agent 瀏覽器安全

兩個任務共享甚麼

本次用 Tabbit 穩定版 1.21.21.0。任務 A 展開 DEMO-F08 並保存任務腳本變量。任務 B 另開一頁，詳情仍收起，也沒有 A 的變量，但能讀取 A 寫入的同源測試存儲。任務名分隔頁面所有權和任務狀態。站點存儲和登入態取決於選定瀏覽器設定檔。

兼容範圍和清理

鏈接中的 Codex 案例實際用獨立本地 Codex 會話調用 Tabbit CLI。DeepSeek Harness 案例實測的是其原生適配器。官方快速開始還列出其他可接入客戶端，本文實驗使用 macOS 啓動器。finish 前導出回傳結果，結束時只關閉自己為練習創建的任務頁。

"$launcher" finish --task "CLI practice"

Codex 接入 · DeepSeek Harness 適配器 · Tabbit CLI 基準測試

兩位發帖者分享了在 Tabbit 打開工作標籤和提取討論重點的體驗。它們描述的是瀏覽器使用，CLI 接入可按本文的任務和回傳結果單獨驗證。 Reddit 1 · Reddit 2

Secholar.L

Tabbit 成長與內容

Secholar.L 專注 AI 瀏覽器與 Agent 工作流的實測寫作,基於真實調研比較工具,引用可查證的一手來源。