browser-use让 AI 代理真正“使用”浏览器的开源利器

一、项目简介

项目地址： github.com/browser-use/browser-use

一句话描述：

让你的 AI 能够像真实用户一样，在浏览器中执行任务，比如搜索、比价、填写表单、下单购物等。

核心特点：

• 内置基于 Playwright 的浏览器驱动（支持 Chromium）
• 支持多种主流 LLM（OpenAI、Anthropic、Gemini、DeepSeek 等）
• 提供自然语言驱动的 Agent 任务执行能力
• 极易上手，仅需几行代码即可运行
• 支持 UI（Gradio）交互测试

二、使用快速入门

1️⃣ 安装依赖

pip install browser-use
playwright install chromium

2️⃣ 编写代码示例

from browser_use import Agent
from langchain_openai import ChatOpenAI
import asyncio

async def main():
    agent = Agent(
        task="Compare the price of GPT-4o and DeepSeek-V3",
        llm=ChatOpenAI(model="gpt-4o"),
    )
    await agent.run()

asyncio.run(main())

只需提供一个任务（task）和语言模型，Agent 就会自动在浏览器中进行搜索、打开链接、读取信息、总结价格对比结果。

三、支持的 LLM 和 API 配置

在 .env 文件中添加对应的 API 密钥即可：

OPENAI_API_KEY=
ANTHROPIC_API_KEY=
AZURE_OPENAI_API_KEY=
GEMINI_API_KEY=
DEEPSEEK_API_KEY=

也可以使用你自己的私有模型，框架可拓展性良好。

四、浏览器交互 UI 测试

你可以运行内置的 UI 界面进行交互测试：

pip install gradio
python examples/ui/gradio_demo.py

通过 Gradio 可视化界面，直接输入自然语言指令，如：

• “在淘宝上搜索最便宜的机械键盘”
• “帮我打开哔哩哔哩查看我关注的频道”
• “找出知乎关于 browser-use 的评价并保存为 Markdown 文件”

五、用例场景

场景	示例
搜索引擎操作	比价、查资料、获取新闻
网页数据采集	从不同网页读取并归纳内容
表单自动填写	在线报名、提交工单等
Web 自动化测试	模拟真实用户操作
应用链式 Agent	多轮任务协作，如搜索+提取+总结

甚至可以把它当作具备浏览器能力的 LangChain 工具链节点（tool）。

六、原理简述

• 任务解释：LLM 理解你的 task 字符串
• 计划生成：LLM 生成一系列动作（例如点击、输入、等待等）
• 浏览器驱动：由 Playwright 实际控制 Chromium 执行操作
• 信息提取：LLM 解析网页中的 DOM 文本，整理结构化信息
• 动作反馈：LLM 可根据反馈信息自动修正下一步动作

整个过程高度模块化，非常适合做多智能体系统（Multi-agent System）中的子 Agent。

七、与其他项目对比

项目	特点	备注
browser-use	自然语言控制浏览器，易用强大	⭐ 推荐
AutoGPT browser plugin	仅限 AutoGPT 框架	使用门槛高
Selenium + LLM	灵活但需写大量代码	适合定制化
Puppeteer	JS 为主，非 AI 优先设计	需繁琐编程逻辑
WebPilot (ChatGPT 插件)	封闭系统	不支持本地或自托管开发

八、实践建议

• ✅ 可用于训练“网页导航”能力的微调任务
• ✅ 可与 LangChain / CrewAI 等框架无缝协作
• ✅ 可接入插件体系构建具备真实网页访问能力的 AI 助手
• ✅ 可用于打造专属自动化办公助手（如「帮我用钉钉请假」）

九、总结

browser-use 是当前 LLM + Web 浏览器能力最易用的开源项目之一。它弥合了“自然语言指令”和“真实浏览器动作”之间的鸿沟，让 AI 不再只停留在语言理解，而是走向了行动执行。

📌 如果你正在打造 Agent、RAG 系统、浏览器自动化平台，不妨试试这个小而强的框架。