企业官网建设流程全解析

如何为ego-lite编写自己的Learnings：以google和x-com为例的完整指南

【免费下载链接】ego-liteThe fastest browser for AI agents to run browser automation, built for sharing your logged-in browser state with your AI agents, like Codex or Claude Code, without disturbing you. Zero cost, zero config.项目地址: https://gitcode.com/GitHub_Trending/eg/ego-lite

ego-lite 是一款专为 AI Agent 设计的浏览器自动化工具，能让 Codex、Claude Code 等 AI 助手在你登录的浏览器环境中并行运行任务，零成本、零配置。本文将以仓库内置的 google 和 x-com 两个 Learnings 为例，手把手教你如何为自己的常用网站编写 Learnings（站点技能），让 AI Agent 越用越快、省 token。

什么是 Learnings？为什么值得写一个

AI Agent 执行浏览器任务时，大部分时间都花在"试错"上：猜选择器、找按钮、反复观察页面。ego-lite 的官方思路是把每一次成功的操作沉淀为可复用的Learnings（站点技能）——包含页面结构笔记和可调用工具，之后同类任务最多可提速 5 倍。

你可以把 Learning 理解成一份"网站说明书 + 工具包"，Agent 打开对应域名时会自动加载它。

ego-lite 在四项复杂浏览器自动化任务上比同类工具快最多 2.5 倍，而 Learnings 机制会在这个基础上再叠加一份"经验红利"：

Learnings 的目录结构：一个 Learning 长什么样

所有 Learnings 都放在统一目录下，每个网站一个子目录：

• 根目录：skills/ego-browser/learnings/
• 加载与匹配逻辑：package/ego-browser/src/learning/

每个站点目录固定包含 4 部分：

加载时，ego-lite 会根据当前 URL 的域名匹配manifest.json中的domains列表，把 notes 内容和工具签名注入 Agent 上下文（实现见 index.ts 中的loadLearnedContext）。

示例一：google 的 Learning——"搜索并提取结果"

1️⃣ 声明清单 manifest.json

google 站点的清单只注册了 2 个工具，但字段信息完整：

• 站点定义：manifest.json
• domains覆盖google.com、*.google.com等，保证任何子域名的搜索页都能命中
• nodeTools.search_and_extract指向tools/search-extract.js，暴露参数query（必填）和maxResults（选填），返回值是{title, url, snippet}数组

关键点：每个工具都要写清 description、参数类型和返回值，Agent 是靠这些签名来"看懂"工具用法的，写得越具体，调用成功率越高。

2️⃣ 写页面笔记 notes/overview.md

google 的 overview.md 是极简的"选择器速查表"，只记三件事：

• 页面结构：搜索框是textarea[name="q"]，结果容器是div#search，每条结果在div.g里
• 导航方式：直接用https://www.google.com/search?q=...打开，首屏即加载完成，无需滚动
• 常见选择器：自动补全下拉是div[role="listbox"]

3️⃣ 实现工具：一次完成多步操作

两个工具文件展示了两种典型的工具形态：

• Node 端工具search-extract.js：先打开搜索 URL，再一次性批量提取前 N 条结果的标题、链接和摘要——把"打开页面 + 逐个读结果"压缩成一次调用
• 浏览器端工具autocomplete.js：直接运行在搜索框所在页面的上下文里，读取当前输入联想出的候选词

两者对比能帮你判断该写哪种：需要切换页面、控制浏览器流程的写 Node 端；只读当前 DOM、操作已聚焦元素的写浏览器端。

示例二：x-com 的 Learning——应对"反点击包裹"和虚拟列表

x.com 的 Learning 比 google 复杂一些，它演示了如何把"踩过的坑"写进笔记。

1️⃣ 清单里多了一个 notes 文件

x-com 的 manifest.json 注册了 2 份笔记和 3 个工具：

• get_timeline_posts（timeline.js）：批量提取当前时间线帖子
• search_users（search-users.js）：按关键词搜索用户
• post_from_active_element（extract-post.js）：从当前聚焦元素提取单条推文

domains同时覆盖x.com和twitter.com两个域名，新旧域名都命中。

2️⃣ 笔记的价值：把坑写下来

notes/overview.md 专门标注了一个叫Anti-click-wrap的现象：推文文本在[data-testid="tweetText"]里，但可点击区域是外层的[data-testid="tweet"]——如果只告诉 Agent "点文本"，它就会被外层包裹结构误导。

notes/timeline.md 则补充了时间线的两条实操知识：

• 帖子随滚动懒加载，且虚拟列表只渲染可见区域 + 缓冲区
• 置顶帖永远是时间线第一个[data-testid="tweet"]，过滤时要小心跳过

这类"只有一步之差"的细节，正是 Learnings 相对通用浏览器的核心优势：经验可以被积累和传承。

动手写你的第一个 Learning：三步流程

以你常用的任意网站为例，照下面三步做即可：

第 1 步：建目录——在 skills/ego-browser/learnings/ 下新建your-site/，创建notes/、tools/、browser-tools/三个子目录。

第 2 步：写笔记——打开目标网站，用浏览器开发者工具找出核心元素的选择器，仿照 google 的 overview.md 记录：入口选择器、内容容器、常见交互区域。格式没有硬性限制，写清楚即可。

第 3 步：注册工具——创建manifest.json，仿照 x-com 的清单 填写id、name、domains、notes，然后为每个工具文件写好description、args（含type/required/description）和returns。

编写工具的两条黄金法则

1. 一次通过（one pass）：把多步操作合并进单个工具，让 Agent 写一段代码就完成整个子任务，而不是"调一次命令→看结果→再调一次"
2. 参数要有兜底：参考 search-extract.js 里的boundedInteger写法，对数值参数做范围约束（如 1~100），防止 Agent 传入离谱值导致任务失败

校验你的 Learning 是否合法

写完后不要直接让 Agent 跑，先做格式校验：

• 校验规则实现：validate-learning-format.ts，提供validateLearning（校验单个站点）和validateLearnings（遍历校验整个 learnings 目录）
• 域名学习检测：check-domain-learning.ts

校验通过后，下次 Agent 访问匹配域名的页面时，你的笔记和工具签名就会自动注入它的上下文中——Agent 无需再摸索，直接调用你沉淀好的经验。

总结

Learnings 的规范细节还可以参考 spec/agent-skills-spec.md。从你最常用、结构最稳定的网站开始，哪怕只写一份 google 那样简单的搜索提取，Agent 的效率和 token 消耗都会有立竿见影的改善 🚀

【免费下载链接】ego-liteThe fastest browser for AI agents to run browser automation, built for sharing your logged-in browser state with your AI agents, like Codex or Claude Code, without disturbing you. Zero cost, zero config.项目地址: https://gitcode.com/GitHub_Trending/eg/ego-lite