让智能体通过文本网格页面渲染功能填写网络表单

作者开发了 TextWeb 这一文本网格浏览器，使得智能体无需使用昂贵的视觉模型即可填写求职申请。

具体怎么做

作者开发了 TextWeb 工具，该工具在无头 Chromium 环境中加载页面，并获取每个可见元素的位置、文本以及是否可交互。它将这些信息映射到一个字符网格上，以保留屏幕布局。可交互元素会被赋予编号，因此智能体会发出如“点击第3个”或“输入第7个”这样的指令，随后再输入文本。任何大语言模型都能读取这些内容。

做到了什么

每页内容约为2-5KB的文字，而非约1MB的截图，因此无需视觉模型。该帖子未提供实际求职申请的相关结果，仅要求对网格格式提出反馈。

上手要点

通过 `npm install -g textweb` 安装，并通过 MCP 服务器、函数调用定义、LangChain、CrewAI、HTTP API、CLI 或 Node.js 库进行集成。