Browser Use：开源浏览器 Agent 库实战攻略

为什么需要 Browser Use：从“脚本自动化”到“意图驱动”

传统浏览器自动化（Selenium、Puppeteer、Playwright 裸用）要求开发者手工编写 CSS 选择器和操作步骤。页面一改版，选择器失效脚本就崩；遇到没有稳定 class 的动态页面，维护成本更高。这类工具解决的是“已知路径的重复执行”，对“没见过的新页面”无能为力。每次抓取需求都要重写一轮脚本，周期以天计。

Browser Use 换了一条路：先将实时渲染后的网页 DOM（文档对象模型，即网页的结构化表示）提炼成紧凑的文本，并为每个可交互元素编上号，交给 LLM 阅读；LLM 基于用户一句自然语言任务自主决定“点哪个、填什么、等多久”，框架再把决策翻译成 Playwright（微软开源的浏览器自动化库）操作执行，如此循环直到任务完成。开发者只写任务描述，不写操作脚本，需求变更从“改代码”变成“改一句话”。

与 Skyvern、Playwright MCP 等竞品相比，Browser Use 的取舍更偏“开发框架”：纯 Python、API 简洁、模型可插拔，方便深度定制。Manus 团队公开确认其浏览器自动化基于这类开源方案构建，说明这套架构经受过产品级验证。

安装与环境配置：3 步就绪

Python 版本要求 ≥3.11，且必须先安装一个 LLM 接入库（这里用官方快速开始同款组合 langchain-openai）。browser-use 本身不含任何模型，模型 API Key 是硬前提。

验证命令输出版本号即安装成功。模型支持面很广：OpenAI、Anthropic、Google Gemini、Azure、DeepSeek、Moonshot 以及本地 Ollama 均可接入，统一通过 LangChain 或 LiteLLM 封装。

# 1. 安装 Python 包pip install browser-use langchain-openai playwright # 2. 安装浏览器内核（Linux 服务器追加系统依赖）playwright install chromium# playwright install-deps chromium    # 仅 Linux 无桌面环境需要，需 sudo # 3. 配置模型 Key 并验证安装export OPENAI_API_KEY=sk-xxx    # 也可用 ANTHROPIC_API_KEY / GOOGLE_API_KEY 等python -c "import browser_use; print(browser_use.__version__)"

快速上手：5 分钟跑通第一个网页任务

核心思路：创建 Agent 实例，填入一句自然语言任务与 LLM 实例，调用 run() 即开始执行。第一次运行会自动弹出 Chromium 窗口，可以看到模型逐步移动鼠标点击页面。

1. 新建 demo.py，粘贴下方代码，任务可替换为任意一句话指令（如“搜索 browser-use 并返回第一条结果链接”）；

2. 终端执行 python demo.py，等待浏览器自动操作；

3. 运行结束后 result.final_result() 返回模型的最终总结，agent.history 保存每一步的 DOM 状态、动作与截图，可逐条回放。

进阶技巧：服务器无桌面环境时把 headless 设为 True；想复用本地 Chrome 登录态，传 BrowserConfig(chrome_instance_path="/Applications/Google Chrome.app/Contents/MacOS/Google Chrome")。对复杂页面建议开启视觉模式（use_vision=True），模型可同时参考截图，减少 DOM 文本提取的信息丢失。

import asynciofrom browser_use import Agent, Browser, BrowserConfigfrom langchain_openai import ChatOpenAI async def main():    browser = Browser(config=BrowserConfig(headless=False))    agent = Agent(        task="打开 Hacker News 首页，返回排名第一的新闻标题和分数",        llm=ChatOpenAI(model="gpt-4o", temperature=0),        browser=browser,        max_steps=20,          # 限制最大步数，控制 token 成本    )    result = await agent.run()    print(result.final_result())    await browser.close()      # 任务结束释放浏览器资源 asyncio.run(main())

核心能力详解：4 大支柱

支柱一·可交互 DOM 提取引擎。把完整 HTML 压缩成带高亮编号的文本表示（元素树 + 焦点与可见性信息），模型只需读“编号列表”（如 button[39]）就能定位可操作元素，相比整页截图或原文传输大幅节省 token（大模型的计费单位）。提取基于实时渲染后的 DOM，对 SPA 动态页面同样有效；视觉模式下叠加截图形成双通道，兜底复杂布局。

支柱二·Agent 任务循环。任务解析 → 循环（观察 DOM/截图 → LLM 决策动作 → Playwright 执行）→ 校验完成。支持 max_steps 步数上限、规划间隔（每 N 步让模型反思一次当前进度）、输出校验与失败重试。结果对象有两条出口：final_result() 返回自然语言总结；配合 output_format 参数（Pydantic 数据校验模型定义目标结构）时，result.parsed 直接返回结构化对象。

支柱三·自定义 Action 扩展（Controller）。用 @controller.action("动作描述") 装饰器即可把任意 Python 函数注册为 Agent 可调用的“工具”，函数可注入 browser、page 上下文参数，支持参数校验。例如注册“打开内部系统”“读取当前 URL”等能力，让 Agent 突破框架内置动作的限制，操作企业内网或专属工具。

支柱四·会话持久化与多标签页。BrowserSession 保存 cookies、localStorage 与历史记录，重启浏览器后登录态不丢；create_new_tab 与 switch_tab 支持跨标签页协作（如一边查资料一边填表）。生产级配套还有代理配置（BrowserConfig(proxy=...)）与结构化输出，覆盖多数真实业务场景。

生产部署与监控：从上线到运维

容器化运行。官方 Docker 方案基于 python:3.11 镜像安装 chromium 与系统库，关键命令是 playwright install chromium --with-deps（自动装齐 Linux 渲染依赖）。服务内每个任务使用独立 Browser 实例，任务结束显式 await browser.close()，防止长驻进程内存泄漏。浏览器进程数量大时用固定的实例池并设置并发上限。

云端托管。官方文档提供 Modal、Railway 的部署指南（示例包含 Playwright 冷启动处理与无头模式配置）。不想自运维浏览器池的团队，可直接调用官方 Cloud API 托管服务：上传任务与模型配置，由托管端执行，本地只保留 HTTP 网关。

可观测性。agent.history 记录每一步的 HistoryEntry（DOM 状态快照、动作、截图、token 消耗）；调用 agent.status() 输出任务概览；日志层面用 logging.basicConfig(level=logging.INFO) 打开 browser-use 内部日志。建议自建审计结构：每个任务记录任务 ID、总步数、token 成本、成功标志，落库用于成本核算与失败回溯。

<p class="para-label">避坑清单：</p>

<ul class=“dash-list“><li>任务卡死先查模型能力——browser-use 强依赖模型的工具调用（tool calling）格式输出，部分小模型返回非法 JSON 导致循环失败，需换支持 tool calling 的模型</li><li>验证码与 Cloudflare 无法自动绕过，browser-use 不是反爬工具——在任务描述中明确”遇到验证码即报告失败”，避免无限重试烧 token</li><li>不要混用系统 Chrome 与 Playwright 自带 Chromium——指定 chrome_instance_path 后渲染结果与无头模式可能有差异，测试与生产必须保持同一浏览器内核</li><li>登录态不会自动跨任务保存——每次任务默认新建浏览器上下文，批量任务需显式启用 BrowserSession 持久化或指定 user_data_dir</li><li>不设 max_steps 会导致成本失控——复杂页面每步传输数千 token，务必设置步数上限并给失败路径设计兜底提示</li><li>并发任务共用一个 Browser 实例会串会话——每个 Agent 独立 Browser，必要时自己做实例池管理</li></ul>

版本迭代

browser-use 从 2024 年 7 月开源到 2025 年初爆发，主线是“让 LLM 更高效、更稳定地读懂浏览器”：v0.1-v0.3 打稳 DOM 提取与任务循环的地基，v0.4 引入多维 DOM 表示与结构化输出，v0.5 起解耦 LangChain 强制依赖并重构 API，v0.6 进一步简化调用方式。API 仍在高频演进，生产项目务必锁定版本号。（截至训练数据，可能已有更新版本）

AI 应用场景

常见误区

面试题

参考来源

• doc官方文档 docs.browser-use.com快速开始、自定义功能、部署指南