框架

Browser Use:让 AI Agent 自己点网页的 10 万 Star 项目

GitHub 上最火的浏览器 Agent 框架之一。给一段任务描述,它自己开浏览器、点按钮、填表单。本文拆解它怎么把网页变成 LLM 能操作的玩具。

字号

Browser Use:让 AI Agent 自己点网页的 10 万 Star 项目

GitHub 上 browser-use/browser-use 这个仓库,109k Star,是 2024-2025 年现象级的 AI Agent 项目。它解决的事情很朴素:让 LLM 像人一样点网页。

它解决什么问题

LLM 会聊天、会写代码,但让它去点网页就抓瞎。Selenium、Playwright 这些工具是给程序员写脚本用的,不是给 Agent 用自然语言操作用的。你得告诉脚本「点 id 为 submit 的按钮」,而不是「帮我把这份报销提交了」。

Browser Use 在两者之间架了一层:把网页结构抽成 Agent 能理解的文本,再把 Agent 的决策翻译成浏览器动作。LLM 拿到的不再是 HTML 源码,而是结构化的「页面摘要 + 可交互元素列表」,输出也不再是 Python 代码,而是一段 JSON 描述「下一步要做什么」。

怎么用

安装一句话:

pip install browser-use

跑起来也三行代码:

from browser_use import Agent
import asyncio
from langchain_openai import ChatOpenAI

async def main():
    agent = Agent(
        task="在 Hacker News 找关于 AI Agent 的最高赞文章,告诉我标题和链接",
        llm=ChatOpenAI(model="gpt-4o"),
    )
    result = await agent.run()
    print(result)

asyncio.run(main())

背后依赖 Playwright 做浏览器控制。需要一个能跑 tool calling 的 LLM,GPT-4o、Claude、DeepSeek、Gemini 都行,按官方文档接 LangChain 的 chat model 即可。

它怎么工作

核心循环四步:

  1. 观察——拿页面的 DOM 树 + 可访问性树(accessibility tree),序列化成一段文本。
  2. 决策——把这段文本 + 历史记忆塞给 LLM,让它输出下一步动作的 JSON,格式类似 {"action": "click", "index": 12}。
  3. 执行——Playwright 拿到这个 JSON,去页面里找编号 12 的元素,点下去。
  4. 再观察——页面变了,再抓一次 DOM,回到第 1 步。

关键设计:不是给 LLM 看截图。截图对视觉模型友好,但 token 消耗太大,一个页面截图动辄几千 token。Browser Use 的做法是 DOM + 可访问性树 + 给每个可交互元素一个编号,LLM 只要说「点 12 号」就行。

配套还有两块:

  • 记忆系统:之前的步骤存在上下文里,让 Agent 知道「我刚才搜过了,现在要点第 3 个结果」。
  • 自我纠错:动作失败(元素找不到、页面没加载完)会重试,或者换个策略重规划。

底层跑的是 Chromium,本地能起。如果不想自己维护浏览器集群,可以接他们的云服务 cloud.browser-use.com,省事但要付费。

它哪里好

  • 上手极简。上面那段代码就是完整例子,复制粘贴能跑。
  • 社区活跃。10 万 Star 不是刷的,GitHub 上 issue 响应快,Discord 也热闹。
  • examples 目录能抄作业。apply_to_job(自动投简历)、amazon 抓价格、Twitter 数据导出这些都是完整用例。
  • 多模型支持。Claude、GPT、DeepSeek、Gemini 随便切,不绑死一家。

它哪里不好

  • 复杂页面成功率不稳定。重 JS、SPA、iframe 嵌套多的页面,DOM 序列化容易丢东西,Agent 经常迷路。
  • Token 消耗不小。一个中等任务轻松上万 token,复杂流程 3 万 token 起步。比单纯调用 API 贵一个数量级。
  • 登录和验证码是大坑。需要登录态的场景要么你自己塞 cookie,要么干脆别用。所有浏览器 Agent 都这毛病。
  • 速度慢。一次任务跑几十秒到几分钟是常态,不适合实时场景。

我试了下

用 GPT-4o 跑了 examples 里的 amazon 价格抓取,10 次成功 8 次。失败的 2 次都是同一个原因:页面弹了 cookie 同意框,Agent 没意识到要先关掉它,直接去点「加入购物车」,元素被遮罩挡住了。

这是所有浏览器 Agent 的通病,cookie 同意框、地区弹窗、广告拦截提示——这些「页面里的意外」对人是常识,对 Agent 是未知的障碍。

Token 消耗实测:简单任务(搜个东西、抓个标题)8k-15k token,复杂点的流程(多页面跳转、填表单)3 万 token 起步。GPT-4o 按输入输出均价算,一个任务几分到几毛美金,跑大规模不划算。

结论:简单任务用着很爽,别拿它当生产爬虫用。

同类对比

  • Selenium / Playwright:底层基建,但没 Agent 层。要写代码,告诉它点哪个 selector。
  • Skyvern:偏视觉方案,截图喂给多模态模型。token 更贵但对结构诡异的页面更鲁棒。
  • Stagehand:另一个对标项目,社区没那么活跃。

Browser Use 的定位是「中间层友好」:既不是要你写代码的 Selenium,也不是烧钱烧到心疼的纯视觉方案。

谁该用

适合的场景:

  • 快速验证「Agent 能不能搞定某个网页流程」——花十分钟写几行代码就知道答案。
  • 团队内部小工具,比如自动填报销、抓竞品价格、做 demo。
  • 研究 Agent 行为本身,比如论文里要复现 ReAct、规划能力。

不适合的场景:

  • 大规模数据采集——成本太高,速度太慢,IP 还容易被封。
  • 需要稳定 SLA 的生产场景——成功率波动大,不能赌。
  • 对抗反爬的活——浏览器特征明显,Cloudflare 一抓一个准。

10 万 Star 堆出来的东西,能解决 80% 的「我想让 AI 帮我点一下网页」的需求。剩下 20%,要么是页面太烂,要么是你该换个工具。


参考:browser-use/browser-use GitHub 仓库

来源: https://github.com/browser-use/browser-use