Browser Use ¶

Browser Use 是一款基于 Python 的开源 AI 自动化工具，专为将大型语言模型（LLM）与浏览器操作深度融合而设计。它让 AI 智能体能够像人类一样自动浏览网页、提取信息、模拟交互，极大拓展了自动化和智能应用的边界。

一、核心概述 ¶

• 定位：Browser Use 让 AI 智能体与真实浏览器无缝交互，实现网页自动化操作（如访问页面、点击、输入、抓取、分析等）。
• 技术栈：基于 Python 3.11+，集成 Playwright（浏览器自动化）、LangChain（AI Agent 框架）、dotenv（环境变量管理）、异步 I/O 架构。
• 应用场景：自动搜索、比价、信息采集、自动下单、自动化测试、智能交互等。

二、主要特性 ¶

• 自然语言任务描述：只需用自然语言描述任务，AI 即可自动理解并完成网页操作，无需手写复杂脚本。
• 多模型支持：可集成多种 LLM（如 GPT-4o、Claude、DeepSeek、Gemini、Ollama 等），灵活切换。
• 浏览器自动化：基于 Playwright，支持多标签页管理、页面导航、元素定位、表单填写、内容提取、截图、视觉分析等。
• 视觉能力：可选启用视觉识别（截图+分析），提升对复杂网页结构的理解。
• 自我纠错：遇到异常自动重试或调整策略，提升任务成功率。
• UI 可视化：内置 Gradio 界面，便于快速测试和可视化自动化流程。
• 云端与本地双模式：既可本地部署，也支持云端托管，无需复杂环境配置。

三、安装与环境准备 ¶

1. Python 环境

• 需 Python 3.11 及以上版本，建议使用虚拟环境管理。

2. 安装 Browser Use 及依赖

pip install browser-use
playwright install

这会自动下载 Chromium 浏览器等依赖。

3. 配置 LLM API Key

• 在 .env 文件中添加所需模型的 API Key，例如：

  OPENAI_API_KEY=sk-xxxxxx
  ANTHROPIC_API_KEY=xxxxxx
  DEEPSEEK_API_KEY=xxxxxx
  

• 支持多种模型，参考 LangChain 文档配置。

四、核心模块与架构 ¶

流程图：
语言模型 → 决策/控制 → 浏览器执行 → 数据回传 → 模型后处理

五、快速入门示例 ¶

1. 基本用法

import asyncio
from dotenv import load_dotenv
from langchain_openai import ChatOpenAI
from browser_use import Agent

load_dotenv()  # 加载API Key等环境变量

llm = ChatOpenAI(model="gpt-4o")

async def main():
    agent = Agent(
        task="打开 https://cn.vuejs.org/guide/essentials/computed，获取页面里所有的 h2 标签文本及所有的 a 标签文本（以及它的 href）",
        llm=llm,
    )
    result = await agent.run()
    print('result:', result)

if __name__ == "__main__":
    asyncio.run(main())

• 只需指定任务描述和 LLM，Agent 会自动完成网页操作并返回结构化结果。

2. 使用 DeepSeek 等其他模型

from langchain_openai import ChatOpenAI
from browser_use import Agent

async def main():
    agent = Agent(
        task="用baidu.com查询，介绍下智能体的MCP协议",
        llm=ChatOpenAI(model="deepseek-chat", base_url="https://api.deepseek.com", api_key="sk-xxxx"),
        use_vision=False,  # DeepSeek 暂不支持视觉
    )
    await agent.run()

• 只需更换模型和 API Key 即可。

六、常见高级用法 ¶

• 多标签页操作：自动管理多页面任务。
• 视觉能力开关：use_vision=True/False，按需启用视觉分析。
• 自定义系统提示词：可自定义 system_prompt_class，适配不同语言或风格。
• 任务规划与分步执行：支持 planner_llm，复杂任务可拆解为多步自动执行。
• 录制GIF：generate_gif=True 可自动录制执行过程，便于回溯和演示。

七、Gradio 可视化界面体验 ¶

1. 安装 Gradio

pip install gradio

2. 运行官方示例

python examples/ui/gradio_demo.py

• 打开提示的网址，即可在网页界面输入任务描述、选择模型，实时查看执行结果。

八、与传统自动化工具对比 ¶

Browser Use 通过 AI 理解用户意图，自动适配网页结构，极大简化了自动化开发流程。

九、常见问题与实践建议 ¶

• 浏览器页面空白：部分模型不支持视觉时需设置 use_vision=False。
• API Key 配置：务必在 .env 文件中正确填写对应模型的 Key。
• 多语言支持：可通过自定义 system prompt 或 extend_system_message 实现中文等多语言交互。
• 环境依赖：建议使用虚拟环境，确保 Python 版本和依赖一致。

十、总结 ¶

Browser Use 让 AI 智能体具备了“上网冲浪”的能力，只需用自然语言描述需求，AI 即可自动完成复杂的网页操作和信息处理。无论是开发者还是普通用户，都能通过简单配置和几行代码，快速实现强大的网页自动化与智能交互。

“Browser Use 不仅仅是一个自动化工具，它是一个融入日常生活的AI助手，能够帮助用户更智能、更高效地使用互联网。”

更多官方文档与案例，可访问 [browser-use.com] 和 [docs.browser-use.com] 获取。