让浏览器AI起来：基于大模型Agent的浏览器自动化工具

最近有个非常火的项目，利用大模型Agent驱动浏览器完成各种操作，如网页搜索、爬虫分析、机票酒店预定、股票监控等，号称全面替代所有在浏览器上的操作，试用方式还是比较简单的，以下将进行简单介绍。

快速开始

通过pip安装：

pip install browser-use

安装web自动化框架：

playwright install

Playwright微软开源的一个浏览器自动化框架，主要用于浏览器自动化执行web测试，提供强大的 API 集，适用于所有现代浏览器。

设置好大模型API KEY，填入.env文件：

OPENAI_API_KEY=

创建智能体，指定命令：

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

async def main():
    agent = Agent(
        task="Go to Reddit, search for 'browser-use', click on the first post and return the first comment.",
        llm=ChatOpenAI(model="gpt-4o"),
    )
    result = await agent.run()
    print(result)

asyncio.run(main())

模型支持

API

所有适配LangChain chat接口并且支持工具调用的模型理论上都支持，但小模型在解析过程中错误率不可忽视。GPT-4o和DeepSeek-V3这类模型比较合适，推荐DeepSeek-V3，价格更加便宜。

from langchain_openai import ChatOpenAI
from browser_use import Agent
from pydantic import SecretStr

# Initialize the model
llm=ChatOpenAI(base_url='https://api.deepseek.com/v1', model='deepseek-chat', api_key=SecretStr(api_key))

# Create agent with the model
agent = Agent(
    task="Your task here",
    llm=llm,
    use_vision=False
)

本地模型

本地大模型可以使用Ollama，需要从Ollama官网选择支持工具调用的大模型。

调用方式同样非常简单，使用langchain_ollama加载模型即可：

from langchain_ollama import ChatOllama
from browser_use import Agent
from pydantic import SecretStr


# Initialize the model
llm=ChatOllama(model="qwen2.5", num_ctx=32000)

# Create agent with the model
agent = Agent(
    task