今天在 GitHub Trending 上看到一个让人眼前一亮的项目：Browser Use，它能让 AI 智能体像真人一样操控浏览器——打开网页、点击按钮、输入文字、填写表单，真正实现"用自然语言指挥浏览器干活"。在 Odysseys 基准测试中，它以 87.4% 的平均得分位居第一，超越了 OpenAI、Anthropic、Google 和 Microsoft 的同类方案。

一、项目概述

Browser Use 由 Magnus Müller 和 Gregor Zunic 开发，是一个将大语言模型（LLM）与浏览器自动化深度融合的开源框架。与传统的 Selenium/Playwright 不同，它不需要你写代码去定位元素——只需用自然语言描述任务，AI 就能理解页面结构、自主规划操作步骤并执行。

核心特性：

  • 自然语言驱动：用一句话描述任务，AI 自动完成复杂的多步骤浏览器操作
  • 多模型支持：内置优化的 ChatBrowserUse 模型，也可接入 OpenAI GPT、Claude、Gemini、Ollama 等
  • MCP 协议集成：支持 Model Context Protocol，可与 Claude Code、Cursor、OpenClaw 等 AI Agent 无缝对接
  • 云端/本地双模式：本地开源版免费使用，云端版提供更强能力（代理轮换、CAPTCHA 解决、规模化运行）
  • 100+ 真实任务基准第一：在 Odysseys 200 步长视野任务中达到 87.4% 平均准确率

二、技术原理

2.1 整体架构

Browser Use 的核心思路是将浏览器操作封装为 LLM 可理解的 Action 空间。Agent 接收到任务后，会：

  1. 视觉 + DOM 分析：利用 Playwright 获取页面截图和 DOM 树结构
  2. LLM 推理决策：将页面信息发送给 LLM，LLM 决定下一步操作（如"点击登录按钮"、“在搜索框输入 XXX”）
  3. Action 执行：通过 CDP（Chrome DevTools Protocol）执行决策的操作
  4. 循环迭代：重复步骤 1-3 直到任务完成
import asyncio
from browser_use import Agent, ChatBrowserUse

async def main():
    agent = Agent(
        task="Find the number of stars of the browser-use repo",
        llm=ChatBrowserUse(model='openai/gpt-5.5'),
    )
    history = await agent.run()

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

2.2 关键依赖

从 pyproject.toml 可以看出核心技术栈：

依赖作用
cdp-use==1.4.5Chrome DevTools Protocol 底层通信
playwright浏览器控制（由 browser-use-core 提供）
openai / anthropic / google-genai多 LLM 提供商接入
mcp==1.26.0MCP 协议支持
pypdf / python-docx文档内容提取
markdownify页面文本提取

2.3 Agent 执行流程源码解析

从项目结构来看，Agent 是核心类，内部通过 AgentHistory 管理执行状态。关键流程在 browser_use/agent/ 目录下：

browser_use/
├── agent/
│   ├── system_prompts/   # Agent 系统提示词（定义可用 Action）
│   └── *.py              # Agent 状态管理、决策循环
├── llm/                  # LLM 适配器（OpenAI/Claude/Gemini/Ollama）
├── browser/              # 浏览器会话管理
└── controller/           # Action 控制器（点击、输入、滚动等）

系统提示词中预定义了 Agent 可执行的 Action 集合（如 click、type、go_to_url、extract_content 等），LLM 在每轮推理时从这些 Action 中选择最合适的一个。

2.4 自定义工具扩展

可以通过装饰器为 Agent 添加自定义工具：

from browser_use import Tools

tools = Tools()

@tools.action(description='Description of what this tool does.')
def custom_tool(param: str) -> str:
    return f"Result: {param}"

agent = Agent(
    task="Your task",
    llm=llm,
    browser=browser,
    tools=tools,
)

三、安装与快速开始

3.1 环境要求

  • Python >= 3.11（推荐 3.12）
  • Chrome/Chromium 浏览器
  • LLM API Key（OpenAI / Anthropic / Google 等）

3.2 安装步骤

# 使用 uv 安装（推荐）
uv add browser-use

# 或使用 pip
pip install browser-use

3.3 最简运行示例

# .env
BROWSER_USE_API_KEY=your-key
# GOOGLE_API_KEY=your-key
# ANTHROPIC_API_KEY=your-key

# main.py
import asyncio
from browser_use import Agent, ChatBrowserUse

async def main():
    agent = Agent(
        task="Fill in this job application with my resume and information.",
        llm=ChatBrowserUse(model='openai/gpt-5.5'),
    )
    await agent.run()

asyncio.run(main())

3.4 Docker 部署

项目提供了完整的 Dockerfile，支持多架构（linux/amd64, linux/arm64）构建：

git clone https://github.com/browser-use/browser-use.git && cd browser-use
docker build . -t browseruse --no-cache
docker run -v "$PWD/data":/data browseruse

四、使用方法与实战

4.1 基础用法场景

场景一：表单自动填写

agent = Agent(
    task="Fill in this job application with my resume and information.",
    llm=ChatBrowserUse(model='bu-2-0-mini-preview'),
)

场景二：数据提取与导出

agent = Agent(
    task="Extract structured data about my followers and export it as a CSV.",
    llm=llm,
)

场景三：多步骤信息搜集

agent = Agent(
    task="Compare these three laptops and give me a table with prices.",
    llm=llm,
)

4.2 与 AI Agent 集成（MCP）

Browser Use 还提供了 MCP Server，可以让 Claude Code、Cursor、OpenClaw 等 AI Agent 直接"操控浏览器"：

Install or upgrade browser-use to the latest stable version with uv using Python 3.12, run `browser-use skill install` to register the skill, and connect it to my browser.

4.3 认证与会话管理

  • 复用 Chrome 配置：使用真实浏览器 Profile，保持登录状态
  • 临时邮箱：配合 AgentMail 使用临时账号
  • 远程浏览器同步：profile-use 工具可同步本地 Chrome 配置到云端浏览器

五、常见问题与解决方案

Q: 安装后运行报错找不到浏览器？ 确保已安装 Chromium：playwright install chromium，或使用 Docker 镜像（已内置）。

Q: 如何选择最佳模型？ 项目优化了 ChatBrowserUse 模型专用于浏览器自动化任务，速度比其他模型快 3-5 倍，且精度更高。私有模型中，Claude Sonnet 和 GPT-5 表现也不错。

Q: 云端版和开源版有什么区别？ 开源版免费、本地运行、自行管理浏览器指纹。云端版提供更强的隐匿性（代理轮换、CAPTCHA 解决）、规模化并行执行和持久化文件系统。

Q: 如何提升大规模任务稳定性？ 生产环境建议使用云端 API，避免本地 Chrome 内存问题。可参考官方生产部署指南。

六、总结

Browser Use 真正做到了"让 AI 操控浏览器像真人一样"，它在 Odysseys 基准上 87.4% 的准确率也证明了技术实力。对于需要自动化网页操作、数据采集、批量表单填写等重复性工作的场景，它提供了一套优雅的自然语言解决方案。更难得的是，项目完全开源，你可以在本地免费使用，也可以接入云端获得更强能力。

项目地址：https://github.com/browser-use/browser-use 文档：https://docs.browser-use.com