DoAnything

DoAnything 是 WebAgent 的开放型 API。你给一句自然语言 instruction，agent 自己挑工具、定路径、跑步骤，在浏览器环境里尽力达成目标。

和 DeepResearch / WebSearch / Track 不同：那 3 个是定型 API，产物形态固定、给质量契约。DoAnything 产物形态不定——连目标最终长什么样你可能都不完全知道，交给 agent 自由发挥。因此它不承诺质量契约；要契约就走对应的定型 API。4 个 API 并列，按你要什么直接选。

什么时候用

目标不定、复合，需要 agent 自主决定怎么做。
任务跨多步、跨页面，可能要登录态、人工确认、长程运行。
你接受「尽力而为」，而不是固定形态的结果契约。

需要固定形态的产物时，用 DeepResearch / WebSearch / Track。

资源模型

Session 是一个运行时容器——它持有浏览器、profile（cookies / 登录态）、workspace（文件系统）。Run 是跑在 session 里的一条 instruction。同一 session 可以接连跑多个 run，它们共享前一个 run 留下的状态。

text

project
└── session                   id: sess_…
    ├── browser, profile, workspace
    └── run                   id: run_…
        ├── instructions      "搜 Hacker News..."
        ├── status            running | done | …
        └── events (SSE)      run.status_changed, run.message, …

生命周期（7 态）

状态	含义	下一步
`pending`	已接收，等 agent slot	→ `running`、`canceled`
`running`	agent 在跑	→ `done`、`failed`、`awaiting_input`、`paused`、`canceled`
`awaiting_input`	agent 自己暂停了，等你回应	→ `running`（通过 `intervene`）
`paused`	你手动暂停	→ `running`（`resume`）、`canceled`
`done`	成功完成；`output` 已落	终态
`failed`	报错；`error.code` `error.detail` 已落	终态
`canceled`	你取消（或 max_duration 触发）	终态

非终态都占 session 资源。用 max_duration_minutes 兜底。

提交一个 run

创建 session 时，第一条 run 随 CreateSessionRequest 一起提交。请求字段：

字段	类型	必填	说明
`instructions`	string	是	一段中文 / 英文。最多 10 000 字符
`max_duration_minutes`	int	否	1–10 080（一周）
`recording`	object	否	`{enabled, quality, capture_during_take_control}`；不传 = 关
`keep_alive`	bool	否	run 结束后保持 session 热度，方便接 follow-up run
`allowed_actions`	string[]	否	允许 agent 调的工具白名单。空数组 = 全允许
`profile_id`	string	否	复用 Profile 的 cookies / 登录态

完整 schema 见 OpenAPI spec。

示例：

python

from web_agent import Client
from web_agent.v1.types import CreateSessionRequest, RecordingConfigRequest

session = await client.sessions.create(CreateSessionRequest(
    instructions="找出 24 小时内 Show HN 上 Top 5 的帖子。",
    max_duration_minutes=10,
    recording=RecordingConfigRequest(enabled=True),
    keep_alive=True,
))
run = session.runs[0]

Follow-up run

python

from web_agent.v1.types import CreateRunRequest

followup = await client.sessions.create_run(
    session.id,
    CreateRunRequest(instructions="点进第一篇帖子，总结一下评论区。"),
)

跑在同一个浏览器里，cookies 与上一条 run 留下的 DOM 都在。

事件

每个 run 有一条 SSE 流：

http

GET /v1/projects/{pid}/do_anything/sessions/{sid}/runs/{rid}/events
Authorization: Bearer wa_…

11 种事件类型（envelope 一致；data 内容不同）：

类型	何时 emit
`run.status_changed`	状态切换
`run.message`	chat 里多一条（agent 或 user）
`run.action.started`	agent 调用某工具
`run.action.completed`	工具返回
`run.action.failed`	工具抛错
`run.screenshot`	浏览器新 frame（`url` 短期签名）
`run.input_request`	agent 暂停，需要你回应
`run.input_request_resolved`	你的 intervene 已采纳
`run.cost_update`	一步的 cost 增量
`run.completed`	终态；`output` 已落
`stream.heartbeat`	约 15 s 一次；可忽略

断线干净续传：

http

GET …/events
Last-Event-ID: 142

server 会重放 id > 142 的事件，不漏。

Input request（人在回路）

agent 撞到 captcha、2FA、判断不准的事，会发 run.input_request：

json

{
  "type": "run.input_request",
  "data": {
    "input_request_id": "ir_01HXX…",
    "prompt": "我看到一个 'Verify you're human' 挑战，你帮我点过去？",
    "schema": { "type": "object", "properties": { "solved": { "type": "boolean" } } }
  }
}

你 POST /intervene 回：

python

await client.messages.intervene(
    session.id, run.id,
    input_request_id="ir_01HXX…",
    response={"solved": True},
)

run 切回 running。整轮一次往返，无 polling。

Take Control（接管浏览器）

有些步骤 agent 没法独自完成——captcha、2FA、要人亲手输的密码。这时可以把浏览器交给人操作：弹出一个可交互的实时浏览器，人点完、填完，再把控制权交还给 agent。

它和上面的 input request 不同：input request 是 agent 问一个问题、你用 JSON 回答；Take Control 是人直接操作 agent 那台浏览器。

接管走的是同一个 intervene 端点，用 kind 区分动作：

1. 发起接管

http

POST /v1/projects/{pid}/do_anything/sessions/{sid}/runs/{rid}/intervene
Content-Type: application/json

{ "kind": "take_control", "reason": "captcha" }

常见触发点是 agent 先发了一条 run.input_request（captcha / 需要登录），你也可以在任意时刻主动发起。

2. 拿到控制 URL，交给人操作

后端签发一个 standalone 控制 URL，通过 run.take_control_pending 事件下发（data 带 standalone_control_url / exp / reason）。这是一个无品牌的实时浏览器页面——可以直接转发给你的终端用户。人在这个页面里直接对 agent 浏览器点击、输入：过验证码、登录、做需要人判断的事。

发起接管后 agent 不会立刻停——只有真的有人打开 URL、连上浏览器，run 才切到 paused、agent 才暂停（事件 run.user_paused）。没人连上，URL 约 5 分钟后失效，发 run.take_control_expired。

3. 交还控制

人操作完，再调一次 intervene：

http

{ "kind": "release_control", "trigger": "client_release" }

run 切回 running，agent 重新观察当前页面、接着跑（事件 run.user_released）。控制页空闲约 30s 也会自动交还。URL 过期想重发，用 { "kind": "refresh_control_url" }。

事件	含义
`run.take_control_pending`	控制 URL 已签发、等人连接；`data.standalone_control_url` 是给人操作的页面
`run.user_paused`	有人连上、开始操作，agent 已暂停
`run.user_released`	控制已交还，agent 继续
`run.take_control_expired`	没人连接，URL 超时作废

Profiles

Profile = 一份整体的浏览器身份（一个用户一份，累积他在所有站点的登录态）。create session 时引用：

python

await client.sessions.create(CreateSessionRequest(
    instructions="打开 LinkedIn 收件箱，回复最新一条消息。",
    profile_id="prof_alice",
))

第一次在 Console 里手动设置 Profile（把需要的站点逐个登录一遍）。后续 session 直接复用同一份。详见 Profiles。

Workspaces

Workspace = 持久文件系统。agent 可读可写；run 跑完后用签名 URL 取文件。"抓这个站，写 CSV，丢回来"这种场景常用。

接下来

API 参考 —— 每个字段
鉴权 —— key、scope、轮换
Vibecoding —— 怎么把这些提供给 IDE 里的 LLM

DoAnything ​

什么时候用 ​

资源模型 ​

生命周期（7 态） ​

提交一个 run ​

Follow-up run ​

事件 ​

Input request（人在回路） ​

Take Control（接管浏览器） ​

1. 发起接管 ​

2. 拿到控制 URL，交给人操作 ​

3. 交还控制 ​

相关事件 ​

Profiles ​

Workspaces ​

接下来 ​

DoAnything

什么时候用

资源模型

生命周期（7 态）

提交一个 run

Follow-up run

事件

Input request（人在回路）

Take Control（接管浏览器）

1. 发起接管

2. 拿到控制 URL，交给人操作

3. 交还控制

相关事件

Profiles

Workspaces

接下来