MultiOn：网页自动化 API——用自然语言驱动真实浏览器操作

为什么需要 MultiOn：传统浏览器自动化在动态网页面前的维护成本

传统网页自动化依赖 Playwright/Selenium 这类编程框架：开发者需要为每个站点编写元素选择器、等待条件与异常重试逻辑。真实业务中，目标站点往往是登录墙、无限滚动、弹窗广告、A/B 改版齐备的动态页面，脚本平均维护周期以周计——站点改一版 CSS，选择器就失效；加一道风控，爬虫就要返工。对一个只需“偶尔抓取几十个页面”的团队来说，为每个站点写一套自动化脚本是明显的高成本低收益。

MultiOn 改变了交互范式：开发者不再描述“怎么点”（选择器与流程），而是描述“要什么”（自然语言目标）。云端浏览器由大模型负责视觉理解与任务规划，自动完成打开页面、定位元素、输入内容、提交表单、读取结果的全过程，最后把执行结果连同一句话总结（message）返回给调用方。指令与页面结构解耦，站点改版通常不需要修改任务描述。

与同类工具相比，MultiOn 强调“开箱即用的 Agent”：不像 Browserbase 那样只提供浏览器实例、仍需上层编排，也不像 Skyvern 那样需要自行部署维护；MultiOn 把“Agent 决策 + 浏览器执行 + 结果解析”打包成一个 API，执行过程是一个黑盒、按调用计费。

安装与环境配置：3 步就绪

步骤一：注册账号并创建 API Key。访问 [multion.ai](https://multion.ai) 注册账号，登录后在控制台的 API Keys 页面创建密钥。密钥是计费凭证，后续所有请求通过请求头或 SDK 参数携带。

步骤二：安装 Python SDK。MultiOn 官方提供 Python SDK（PyPI 包名 multion），安装命令见下方代码块。不使用 Python 的项目可直接调用 REST API，无需安装 SDK。

步骤三：配置环境变量。将 API Key 写入环境变量 MULTION_API_KEY，SDK 会自动读取；也可以在使用时显式传入 MultiOn(api_key="...")。完成后执行验证命令，能成功导入即配置就绪。

# 安装官方 Python SDKpip install multion # 配置 API Key（推荐写入环境变量，避免硬编码）export MULTION_API_KEY="你的_API_Key" # 验证：能导入 SDK 即安装成功python -c "import multion; print('MultiOn SDK OK')"

快速上手：10 分钟跑通第一个网页任务

最小可用流程的思路：先创建一个带 URL 与自然语言指令的 Agent 会话（session），MultiOn 在云端浏览器中执行指令并把结果写回会话；然后通过追加指令（update）让同一会话继续做后续动作；最后关闭会话释放云端浏览器资源。整个过程约 10 分钟，核心代码不超过 20 行。

操作步骤：

1. 安装 SDK 并配置 MULTION_API_KEY 环境变量（见上一节）。

2. 创建会话：调用 multi.sessions.create(url=..., cmd=...)，传入起始页面 URL 与一句明确指令。指令越具体越好，例如“搜索 X 并返回第一项的标题和价格”，避免“随便看看”这类模糊目标。

3. 追加指令：服务端返回 session_id，用 multi.sessions.update(session_id=..., cmd=...) 在同一个会话上下文中继续操作，适合多步骤流程。

4. 关闭会话：任务结束后调用 close，避免会话占用的云端浏览器资源持续计费。

代码示例（可直接复制运行）：

运行后会在终端打印会话状态与结果摘要。进阶技巧：在指令结尾追加“只返回结果，不要执行任何确认类操作”，可以让只读任务（数据抓取）更安全；对依赖登录的任务，可预先在一个会话中完成登录，再通过 session_id 复用以避免重复登录。

from multion.client import MultiOn multi = MultiOn(api_key="你的_API_Key") # 创建 Agent 会话：打开维基百科并执行首次指令session = multi.sessions.create(    url="https://www.wikipedia.org",    cmd="搜索 'Large language model'，返回该词条第一段的纯文本内容",) # 追加指令：在同一会话中继续操作updated = multi.sessions.update(    session_id=session.session_id,    cmd="返回到结果列表，改为搜索 'Web automation'",)print("状态:", updated.status)   # COMPLETE / IN_PROGRESS / FAILEDprint("结果:", updated.message) # 任务结束，关闭会话释放云端浏览器multi.sessions.close(session_id=session.session_id)

核心能力详解：3 大支柱

支柱一：自然语言驱动的 Browse 端点。Browse API（v1/web/browse）是 MultiOn 最基础的接口：一次调用完成“理解指令 → 浏览页面 → 返回结果”的闭环，返回 status（COMPLETE/IN_PROGRESS/FAILED）、message（结果摘要）、url（结束时的页面地址）与可选截图。它适合无状态、单步骤任务，如“查某商品价格”“读取某页面标题”。该端点只发一条指令，不保留跨调用上下文。

支柱二：有状态的 Agent 会话。Agent API（agent.api.multion.ai/v1）引入会话机制：创建时返回 session_id，后续可用 update 追加指令、用 step 单步推进任务、用 close 显式关闭。会话在云端浏览器中保持登录态与页面上下文，适合“登录 → 查询 → 导出”这类多步骤真实业务流。会话有自动超时机制，但显式关闭仍是控制成本的最佳实践。

支柱三：视觉理解与异常兜底。MultiOn 的底层执行不依赖写死的 DOM 选择器，而是结合页面截图与大模型视觉理解来定位元素，对弹窗、无限滚动、动态加载有较强的自适应能力；站点结构变化通常不需要修改任务描述。当任务无法完成（如验证码拦截、找不到目标元素）时，接口返回 FAILED 状态并附带失败原因。官方还提供 Extensions 机制，允许把自己的 API 注册为 Agent 可调用的自定义技能，扩展执行边界（具体配置见官方文档）。

生产部署与监控：从上线到运维

部署方式一：纯托管直连。MultiOn 是托管服务，生产环境无需自建浏览器集群或 GPU 基础设施。工程侧最小部署是把 API 调用封装成一个内部服务（服务端持有 API Key），对外暴露业务接口；所有对 MultiOn 的调用走这个服务，便于统一鉴权、限流与日志。上线前需确认数据合规：会话运行在 MultiOn 云端，任务内容会经过其模型服务。

部署方式二：会话编排与容错。将 session_id、指令、返回状态写入自己的数据库，支持断点续跑与审计；对 FAILED 结果设计重试策略（如修正指令后重试、更换起始 URL、降级为人工处理）；用 maxSteps 等参数限制单任务步数上限，防止 Agent 在复杂页面上无限执行。对支付、下单、删除等不可逆动作，务必在指令层禁止执行，或引入人工确认环节。

可观测性：在应用侧记录每次调用的 session_id、指令文本、status、耗时与失败原因；定期统计 COMPLETE 占比与平均步数，作为任务质量基线；在 MultiOn 控制台可查看账号维度的调用记录与用量。建议对“关键业务动作是否真的发生”做结果断言（例如查询结果中是否含订单号），而不是只依赖 status 字段。

<p class="para-label">避坑清单：</p>

<ul class=“dash-list“><li>API Key 泄漏：Key 是计费凭证，务必放服务端环境变量或密钥管理服务，禁止写入前端代码或公开仓库，否则可能被他人盗刷额度。</li><li>云端浏览器≠本地浏览器：会话运行在 MultiOn 数据中心，无法访问企业内网与 localhost；涉及敏感数据的任务须先评估合规与数据驻留要求。</li><li>COMPLETE≠语义正确：状态字段只表示”Agent 认为完成”，支付、删除等高影响动作必须二次确认或人工审批，并接结构化证据后再落库。</li><li>忽略 FAILED 与超时：验证码、登录墙、元素缺失都会导致失败，生产环境必须设计重试与人工兜底，避免任务静默丢失。</li></ul>

版本迭代

MultiOn 作为托管 API 服务，演进以“能力/端点”为单位而非用户可见的版本号；主线是从 2023 年的单次 Browse 指令，演进到 2024 年的有状态 Agent 会话与自定义扩展，再到 2024 年底成为 Google Project Mariner 的底层网页操作提供方（截至训练数据，其后可能已有更新版本）。

AI 应用场景

常见误区

面试题

参考来源

• webpageMultiOn 官网产品入口、注册与 API Key 控制台