Browser-Use：让 AI 智能体像人一样操作浏览器

一句话：让 AI 不再只会聊天，而是能替你操作网页

Browser-Use 解决了一个非常具体的问题：如何让 LLM 像人一样，在真实的浏览器里完成点击、输入、导航、提取数据等操作，而不是只给你一段 Markdown 格式的建议。如果你正在构建一个需要“动手”的 AI Agent（比如自动填表、抓取需要登录的页面、跨系统操作），这个项目值得你花 10 分钟看完。

项目背景

由 Mikhail K. 等开发者发起，核心动机来自一个常见痛点：现有 AI Agent 框架（如 LangChain、AutoGPT）大多只能调用 API 或执行预定义函数，无法处理那些“需要看页面才知道怎么操作”的场景。比如，你要从某个 SaaS 后台导出报表，但页面结构每天变、有验证码、或者需要拖拽上传文件——纯 API 方案根本行不通。Browser-Use 的目标就是让 AI 能直接操作浏览器 DOM，像人一样“看”页面、“点”按钮、“读”反馈。

它不依赖任何网站提供的 API，只依赖浏览器本身。这意味着任何人类能操作的前端页面，理论上 AI 都能操作。

核心功能解析

1. 基于 DOM 的智能定位与交互

传统方案（如 Selenium + XPath）需要你手动写选择器。Browser-Use 则让 LLM 直接分析页面的结构化 DOM 树，自动识别“登录按钮”、“搜索框”、“下一页”等元素。它内置了 DOM 蒸馏 机制，只提取当前视口内最相关的元素，避免把整个 2000 行的 HTML 喂给模型。

实际使用时，你只需描述目标：

# 告诉 AI 做什么，而不是怎么做
agent.run("打开 GitHub，在搜索框输入 'browser-use'，点击第一个结果")

2. 状态感知与自适应重试

AI 操作时，每一步都会截图并读取页面状态。如果点击后页面没有预期变化（比如弹窗被拦截、网络延迟），Agent 会自动重试或调整策略。这解决了“脚本写死”的问题——页面结构变化时，AI 能根据当前截图重新规划下一步。

关键设计：它使用 Action Plan 模式，每次调用 LLM 时不仅返回下一步，还返回一个完整的操作计划（如：先点击 A，再等待 2 秒，然后输入 B）。这大大减少了 LLM 调用次数，提升了执行稳定性。

3. 多 Tab 与跨域操作

支持同时管理多个浏览器标签页，可以在 A 页面读取数据，切换到 B 页面填写。这在处理 OAuth 登录、跨系统数据迁移等场景时非常实用。

# 多 Tab 操作示例
agent.run("在标签页1打开百度，在标签页2打开谷歌，把百度的搜索词复制到谷歌")

快速上手

安装依赖后，只需要一个 API Key 和一个目标 URL 就能跑起来。以下是完整的启动流程：

# 1. 安装
pip install browser-use

# 2. 安装 Playwright 浏览器驱动
playwright install

# 3. 设置环境变量
export OPENAI_API_KEY="sk-xxx"  # 也支持 Claude / Gemini / 本地模型

# 4. 写一个最简单的 Agent
from browser_use import Agent
from langchain_openai import ChatOpenAI

agent = Agent(
    task="登录 Hacker News，找到今天点赞最多的文章，把标题和链接提取出来",
    llm=ChatOpenAI(model="gpt-4o")
)

# 5. 运行
await agent.run()

技术亮点：为什么它比“截图+OCR”方案更靠谱

很多类似方案（如 GPT-4V + 截图）是直接拿截图去问模型“下一步点哪里”。这有两个致命问题：成本高（每次都要传大图）和精度低（模型可能把两个相邻按钮的位置搞混）。

Browser-Use 采用了 DOM + 截图双通道 架构：

• 主通道： 将当前视口的 DOM 树压缩成结构化文本（保留标签、属性、文本内容），交给 LLM 分析。这比截图更精确，且 token 消耗低一个数量级。
• 辅助通道： 仅在需要确认视觉布局（比如判断某个元素是否可见、是否被遮挡）时才截图。截图用于验证，而非决策。

这种设计使得它在 GPT-4o 上单次操作成本约为 0.01 美元，远低于纯视觉方案的 0.1-0.5 美元。同时，由于 DOM 信息是结构化的，它天然支持精确的坐标点击、属性提取等操作，这是纯视觉方案做不到的。

另一个值得关注的设计是 上下文压缩：Agent 在执行长任务时，历史记录会不断增长。Browser-Use 会定期对历史进行摘要压缩，只保留关键的状态变化（如“已成功登录”、“已提取到 5 条数据”），避免上下文窗口被填满。

同类对比

一句话总结： 如果你需要的是 精确、可控、低成本 的浏览器自动化 Agent，且希望支持多种 LLM 后端（包括本地模型），Browser-Use 是目前综合最优解。特别适合做 RPA 替代、自动化测试、以及需要跨系统操作的数据流水线。