フレームワーク

Browser Use──10万Starを集める「AI AgentにWeb操作を任せる」フレームワーク

GitHubで急成長中のブラウザ操作Agentライブラリ。タスクを文章で渡すだけで、LLMが自らブラウザを起動し、ボタンをクリックしてフォームに記入する。その仕組みと実力を整理する。

文字サイズ

Browser Use──10万Starを集める「AI AgentにWeb操作を任せる」フレームワーク

GitHub上の browser-use/browser-use リポジトリは109k Starを記録しており、2024〜2025年を代表するAI Agentプロジェクトの一つだ。やっていることはシンプル──LLMに人間のようにWebページを操作させること。

解决的问题

LLMは会話もコードも書けるが、Webページを操作させようとするとお手上げになる。SeleniumやPlaywrightといったツールはエンジニアがスクリプトを書くためのもので、Agentが自然言語で操作するためのものではない。スクリプトには「idがsubmitのボタンをクリックしろ」と伝える必要があり、「この経費精算を提出して」とは言えない。

Browser Useは両者のあいだに橋を架ける。Webページの構造をAgentが理解できるテキストに抽出し、Agentの判断をブラウザのアクションに変換する。LLMに渡されるのは生のHTMLではなく、「ページ概要+操作可能要素のリスト」という構造化された形であり、出力もPythonコードではなく「次に何をすべきか」を記述したJSONになる。

使い方

インストールは一行。

pip install browser-use

動かすのもコード3行で済む。

from browser_use import Agent
import asyncio
from langchain_openai import ChatOpenAI

async def main():
    agent = Agent(
        task="在 Hacker News 找关于 AI Agent 的最高赞文章,告诉我标题和链接",
        llm=ChatOpenAI(model="gpt-4o"),
    )
    result = await agent.run()
    print(result)

asyncio.run(main())

内部的にはPlaywrightでブラウザを制御している。tool calling対応のLLMが必要だが、GPT-4o、Claude、DeepSeek、Geminiいずれも利用可能で、公式ドキュメントどおりLangChainのchat modelとして接続すればいい。

仕組み

コアのループは4ステップ。

  1. 観察──ページのDOMツリーとアクセシビリティツリーを取得し、テキストにシリアライズする。
  2. 判断──そのテキストと過去の履歴をLLMに渡し、次のアクションをJSONで出力させる。形式は {"action": "click", "index": 12} のようなもの。
  3. 実行──PlaywrightがそのJSONを受け取り、ページ内の12番の要素を探してクリックする。
  4. 再観察──ページが変化したら、もう一度DOMを取得して1に戻る。

重要な設計判断は、LLMにスクリーンショットを見せないという点。スクリーンショットはマルチモーダルモデルには扱いやすいが、トークン消費が膨大で、1ページの画像で数千トークン飛ぶこともある。Browser UseはDOM+アクセシビリティツリー+操作可能要素への番号付与で済ませる。LLMは「12番をクリックして」と言うだけでいい。

これに加えて2つの仕組みが動いている。

  • メモリシステム──過去のステップをコンテキストに保持し、「さっき検索したから今は3番目の結果をクリックする」といった判断を可能にする。
  • 自己修正──アクション失敗時(要素が見つからない、ページの読み込みが未完了など)にリトライしたり、戦略を組み直したりする。

基盤はChromiumで、ローカル環境で動作する。自前でブラウザクラスタを管理したくない場合は、彼らのクラウドサービス cloud.browser-use.com を使える。楽だが有料。

良いところ

  • 導入が極めて簡単。上記のコードがそのまま動く完成例になっている。
  • コミュニティが活発。10万Starは伊達ではなく、GitHubのIssue対応も速く、Discordも賑わっている。
  • examplesディレクトリから学べる。apply_to_job(自動応募)、Amazon価格取得、Twitterデータ書き出しなど、完成済みのユースケースが揃っている。
  • マルチモデル対応。Claude、GPT、DeepSeek、Geminiを自由に切り替えられ、ベンダーロックインがない。

悪いところ

  • 複雑なページでの成功率が不安定。JS-heavyなSPAやiframeが多重にネストしたページではDOMシリアライズで情報が落ちやすく、Agentが迷子になりやすい。
  • トークン消費が軽くない。中規模タスクで余裕で1万トークン超、複雑なフローなら3万トークンから。单纯的API呼び出しより一桁高い。
  • ログインとCAPTCHAが落とし穴。ログイン状態が必要な場面では自分でCookieを仕込むか、潔く諦めるしかない。すべてのブラウザAgentに共通する弱点。
  • 動作が遅い。1タスクで数十秒〜数分かかるのはざらで、リアルタイム用途には向かない。

実際に試してみた

GPT-4oでexamplesのAmazon価格取得を実行したところ、10回中8回成功。失敗した2回はいずれも同じ原因──ページに表示されたCookie同意バナーにAgentが気づかず、「カートに入れる」を押そうとしたが要素がモーダルに遮られていた。

これはあらゆるブラウザAgentに共通する悩みで、Cookie同意、地域別ポップアップ、広告ブロック通知──こうした「ページ内の想定外」は人間には常识だが、Agentにとっては未知の障害物だ。

トークン消費の実測値は、シンプルなタスク(検索やタイトル取得)で8k〜15kトークン、複数ページをまたぐフローやフォーム入力では3万トークン超。GPT-4oの入出力均价で計算すると、1タスクあたり数セント〜数十セントかかり、大規模運用には向かない。

結論として、簡単なタスクならとても快適だが、プロダクション向けのクローラーとして使うのはやめたほうがいい。

同类ツールとの比較

  • Selenium / Playwright──底层のインフラだが、Agentレイヤーがない。コードを書いてselectorを教える必要がある。
  • Skyvern──ビジョン重視のアプローチで、スクリーンショットをマルチモーダルモデルに投げる。トークン消費は重いが、構造が奇妙なページにはより堅牢。
  • Stagehand──同じく対抗馬だが、コミュニティの規模ではBrowser Useに劣る。

Browser Useのポジショニングは「中間層の優等生」。コードを書かせるSeleniumでもなければ、財布が痛い純ビジョン方案でもない。

どんな人に向くか

向いている場面:

  • 「AgentがこのWebフローをこなせるか」を手早く検証したいとき──10分コードを書けば答えが出る。
  • 社内向け小ツール。経費精算の自動入力、競合価格収集、デモ作成など。
  • Agentの挙動自体を研究したい場合。論文でReActや計画能力を再現する用途。

向いていない場面:

  • 大規模データ収集──コストが高く、速度も遅く、IPもBANされやすい。
  • 安定的なSLAが求められるプロダクション──成功率にブレがあり、賭けには向かない。
  • アンチボット対策との戦い──ブラウザの指紋が分かりやすく、Cloudflareに一発でバレる。

10万Starの価値は確かにある。「AIにちょっとWeb操作を頼みたい」という需要の8割はこれで片付く。残る2割は、ページが悪すぎるか、別ツールの出番だ。


参考:browser-use/browser-use GitHub リポジトリ

出典: https://github.com/browser-use/browser-use