Manifest 是什么？

Manifest 是一个 API，能将任何网页转化为结构化的 JSON 映射，其中包含 AI 智能体可以点击、填写和提交的交互元素。它不依赖脆弱的 CSS 选择器或截图，而是读取页面的无障碍树，并与 DOM 交叉引用，生成清晰的操作清单。每个操作都附带已解析的定位器和一个 requires 字段，该字段编码了元素之间的依赖关系——例如，“在选择计划之前，此按钮不可点击”。这为智能体提供了可靠、机器可读的蓝图，明确它们可以在页面上实际执行哪些操作。

适用人群

• AI 智能体开发者：需要一种可靠的方式以编程方式与任何网页交互，而无需手动编写或维护脆弱的选择器。
• 自动化工程师：构建基于浏览器的自动化工作流，这些工作流必须能经受 UI 重新设计，并在不同网站上运行，无需持续维护。
• 产品团队：发布浏览器智能体，希望其智能体能推理页面操作，而不是通过截图或原始 HTML 进行猜测。

主要功能

操作依赖映射

清单中的每个交互元素都包含一个 requires 字段，用于编码操作之间的依赖关系。这告诉智能体在按钮可点击或表单可提交之前，必须完成哪些字段或步骤——这是无障碍快照本身无法提供的上下文信息。

已解析的定位器

每个操作都附带已解析的 CSS 和角色定位器，消除了开发者编写或维护选择器的需求。API 处理了识别元素的脆弱工作，因此即使页面重新设计，智能体也能可靠地找到并与之交互。

结构化 JSON 输出

API 返回一个干净、可预测的 JSON 清单，包含页面上的每个按钮、表单和输入，以及它们的类型、必填字段、占位符和禁用状态。这种结构化格式让智能体能推理可用操作，并就下一步行动做出明智决策。

多平台支持

Manifest 提供 Python SDK、LangChain 支持和 MCP 服务器，使其易于集成到现有的智能体框架和不同编程环境的工作流中。

突出特点

“Manifest 是告诉智能体点击、填写和提交什么的层——以及哪些是继续操作前必须完成的。”

虽然浏览器工具让智能体访问页面，内容工具提取文本，但 Manifest 填补了缺失的一层：可操作的情报。它不仅告诉智能体页面上有什么——还告诉它可以在那里做什么、每个操作需要什么，以及必须先满足哪些依赖关系。这将网页从视觉或文本文档转变为结构化的操作空间，智能体可以自主导航。

值得关注，如果……

你正在构建需要与真实网页可靠交互的浏览器智能体，且不希望依赖脆弱的选择器或基于截图的猜测。如果你的智能体必须处理表单、多步骤工作流或频繁变化的页面——并且你希望它们像人类一样推理依赖关系和必填字段——那么 Manifest 尤其有价值。