Amazon Nova Act：AWS 浏览器自动化 Agent

为什么需要 Amazon Nova Act：传统浏览器自动化太脆弱

传统浏览器自动化的痛点集中在“定位”环节。Selenium、Playwright 依赖元素的 id、class、CSS 选择器或 XPath 来找到操作目标，这些定位符与页面 DOM 结构强耦合。前端重构、字段改名、组件库升级、动态渲染导致的元素延迟出现，都会让脚本成批失效。跨站操作时，Cookie、iframe、弹窗、验证码进一步推高维护成本。而 RPA 工具虽然能用图像识别辅助定位，但产品笨重、按机器人授权计费，脚本对界面变化依然敏感，本质上没有摆脱“按图索骥”的模式。

Nova Act 换了一条路径：模型直接读取浏览器截图，识别按钮、输入框、表单等界面元素，结合任务目标推理下一步操作。开发者只需要描述“打开 A 站 → 搜索 XX → 点击购买”这类高层指令，模型补全具体的点击位置与输入内容。SDK 负责在本地控制 Chromium、将截图传给 Bedrock 上的模型、执行返回的动作指令，形成“截图 → 推理 → 执行 → 再截图”的循环。这意味着页面改版时，只要按钮文案和交互逻辑不变，任务描述通常无需改动。

与同类工具的气质差异在于：OpenAI Operator 是云端托管的“黑盒”Agent 产品，Anthropic Claude Computer Use 侧重通用屏幕操作；Nova Act 则是 AWS 生态内的编程式浏览器 Agent——给开发者完整的 Python 控制面，同时复用 IAM 权限、CloudWatch 日志、VPC 网络等基础设施，适合把自动化嵌入现有业务系统，而不是孤立地提供一个“替你上网”的产品。

安装与环境配置：3 步就绪

步骤一：安装 SDK。 建议使用 Python 3.10 或更高版本，并用虚拟环境隔离依赖。SDK 自带浏览器内核，安装包体积较大，首次导入时可能自动下载/准备浏览器组件。

步骤二：配置 AWS 凭证。 Nova Act 模型通过 Bedrock 调用，SDK 走 AWS 默认凭证链。推荐使用 IAM 用户或角色的临时凭证，不要使用根账号密钥；同时需在 Bedrock 控制台开通 Nova Act 模型的访问权限，预览版默认区域为 us-east-1（弗吉尼亚北部）。

步骤三：验证安装。 用 pip show 确认包已安装，再执行一行 Python 导入，验证 SDK 与凭证链路可用。

# 1. 创建虚拟环境并安装python -m venv venvsource venv/bin/activatepip install --upgrade pippip install nova-act # 2. 配置 AWS 凭证（二选一）aws configure# 或使用环境变量export AWS_ACCESS_KEY_ID=AKIA...export AWS_SECRET_ACCESS_KEY=...export AWS_DEFAULT_REGION=us-east-1 # 3. 验证安装pip show nova-actpython -c "from nova_act import NovaAct; print('SDK available')"

快速上手：5 分钟跑通第一个浏览器任务

最小可用流程是：打开页面 → 输入关键词 → 回车 → 截图。NovaAct 以上下文管理器方式初始化：进入 with 块自动拉起浏览器，退出时自动关闭并释放资源。下面脚本打开维基百科，在搜索框输入 "Amazon Nova Act"（模型自动定位搜索框，无需指定选择器），回车后把搜索结果页截图保存到本地。

运行后，当前目录生成 search_result.png，内容为维基百科搜索结果页。若页面加载过慢导致操作失败，SDK 会抛出超时异常，可在 NovaAct() 构造函数中调大 step_timeout_ms 参数（单步操作超时，默认约 30 秒）。

进阶技巧：任务耗时较长时改用 AsyncNovaAct 异步执行，避免阻塞主进程；重复性任务可开启 caching 参数，缓存中间推理结果以降低调用成本。注意 browser.type() 不需要指定输入框位置——模型通过截图自行定位，这也是它与传统自动化最本质的差异。

from nova_act import NovaAct with NovaAct() as nova_act:    # 1. 导航到目标页面    nova_act.computer.browser.navigate("https://www.wikipedia.org")     # 2. 模型自动识别搜索框并输入文本    nova_act.computer.browser.type(text="Amazon Nova Act")     # 3. 按回车执行搜索    nova_act.computer.browser.press("Enter")     # 4. 截图取证    screenshot = nova_act.computer.browser.screenshot()    screenshot.save("search_result.png")    print("done")

核心能力详解：4 大支柱

支柱一：视觉界面理解。 模型将浏览器截图映射为可操作元素，完全不依赖 DOM 结构。对单页应用（SPA）的动态渲染、跨域 iframe、无标准控件的老旧系统尤其有效，因为这些场景下 DOM 定位极不稳定。代价是视觉识别存在概率性，“看错”的可能性无法完全消除，越靠近任务目标的元素识别越准确。

支柱二：多步任务规划与执行。 模型把高层指令拆解为动作序列：点击、输入、滚动、切换标签页等，执行中持续读取新截图形成反馈闭环。面对弹窗遮挡、元素未加载等障碍时，模型会尝试替代路径而非直接报错。官方演示中，“登录 → 查订单 → 截图”级别的任务可全程自主完成。

支柱三：可组合的 SDK 动作库。 browser 组负责页面操作：navigate（导航）、click（点击）、type（输入）、press（按键）、fill（填充表单）、screenshot（截图）、scroll（滚动）、open_new_tab（新标签页）。screen 组提供界面级能力：locate_text、search_for_text 按文本找坐标，draw_line、draw_circle、draw_rectangle 在截图上画标注——标注功能用于调试和人工复核，能把“模型认为点了哪里”可视化出来。

支柱四：AWS 基础设施集成。 模型经 Bedrock 调用，天然复用 IAM 权限控制、CloudWatch 日志、VPC 端点等能力。SDK 脚本可打包进 ECS、AWS Batch 或 Step Functions，组合成定时抓取、批量录入等生产任务。这是 Nova Act 与纯第三方 Agent 产品最明显的差异点：自动化任务与云上 CI/CD、告警、审计体系无缝衔接。

生产部署与监控：从上线到运维

容器化批处理。 将 SDK 脚本打包为 Docker 镜像，用 ECS Fargate 或 AWS Batch 运行，适合定时采集、批量单据录入等离线任务。建议使用容器镜像部署而非直接写 Lambda 函数——SDK 与浏览器内核体积超出 Lambda 函数包限制，容器镜像方式更可控。任务队列用 SQS 缓冲，避免突发任务打满配额。

事件驱动编排。 用 EventBridge 定时触发 Step Functions，编排“调用 Nova Act → 人工审核截图 → 写入数据库 → 异常告警”流程。对支付、删除等高风险操作，通过 SNS 通知人工确认后再继续；对低风险步骤可全自动执行。这种“机器执行 + 人工审批门”的混合模式，是当前视觉 Agent 上生产最稳妥的形态。

可观测性。 Nova Act 的每个动作本质是“截图 + 动作指令 + 执行结果”三元组。建议把每步截图存入 S3，动作序列写入 CloudWatch Logs 或 X-Ray 分段，失败时按时间轴回放定位“卡在哪一步”。成本方面按模型调用量计费，开启缓存、降低截图频率、复用会话都能显著省钱；同时为 step_timeout_ms 设置合理上限，防止单步卡死拖垮整条流水线。

<p class="para-label">避坑清单：</p>

<ul class="dash-list"><li>凭证安全：不要把 AWS Access Key 硬编码进代码仓库，用 IAM Role 或环境变量注入；Nova Act 按调用量计费，密钥泄露会直接产生账单。</li><li>页面加载时序：视觉 Agent 依赖截图，页面未渲染完成就操作会失败；生产任务应配置重试或预等待，不要假设 navigate 返回后页面已就绪。</li><li>结果不确定性：模型偶尔会误点或误读，支付、删除等关键流程必须加人工确认与截图审计，不要无人值守跑高风险操作。</li></ul>

版本迭代

Nova Act 于 2025 年 4 月 7 日以公共预览版形式首次发布，随附 Nova Act SDK（PyPI 包 nova-act），提供浏览器导航、输入、点击、截图等基础动作与同步/异步两套 API。截至训练数据，工具仍处于公共预览阶段，尚未公布正式 GA 版本（截至训练数据，可能已有更新版本）。

AI 应用场景

常见误区

面试题

参考来源

• webpageAmazon Nova 产品页Nova 模型家族概览