框架

Browser Use:讓 AI Agent 自己動手點網頁的 10 萬星專案

GitHub 上最受歡迎的瀏覽器 Agent 框架之一。只要給一段任務描述,它就會自己開覽器、點按鈕、填表單。本文深入拆解它如何把網頁轉換成 LLM 能操作的介面。

字級

GitHub 上 browser-use/browser-use 這個倉庫,109k Star,是 2024-2025 年現象級的 AI Agent 專案。它解決的事情很單純:讓 LLM 像人類一樣點網頁。

它解決什麼問題

LLM 會聊天、會寫程式,但讓它去點網頁就完全不行。Selenium、Playwright 這些工具是給工程師寫腳本用的,不是給 Agent 用自然語言操做的。你得告訴腳本「點 id 為 submit 的按鈕」,而不是「幫我把這份報帳提交了」。

Browser Use 在兩者之間架了一層:把網頁結構抽成 Agent 能理解的文字,再把 Agent 的決策翻譯成瀏覽器動作。LLM 拿到的不再是 HTML 原始碼,而是結構化的「頁面摘要 + 可互動元素清單」,輸出也不再是 Python 程式碼,而是一段 JSON 描述「下一步要做什麼」。

怎麼用

安裝只要一行指令:

pip install browser-use

跑起來也只要三行程式:

from browser_use import Agent
import asyncio
from langchain_openai import ChatOpenAI

async def main():
    agent = Agent(
        task="在 Hacker News 找關於 AI Agent 的最高讚文章,告訴我標題和連結",
        llm=ChatOpenAI(model="gpt-4o"),
    )
    result = await agent.run()
    print(result)

asyncio.run(main())

底層依賴 Playwright 做瀏器控制。需要一個能跑 tool calling 的 LLM,GPT-4o、Claude、DeepSeek、Gemini 都行,照官方文件接 LangChain 的 chat model 即可。

它怎麼運作

核心圈四步:

  1. 觀察——抓取頁面的 DOM 樹加上 accessibility tree,序列化為一段文字。
  2. 決策——把這段文字加上歷史記憶塞給 LLM,讓它輸出下一步動作的 JSON,格式類似 {"action": "click", "index": 12}。
  3. 執行——Playwright 拿到這個 JSON,到頁面裡找編號 12 的元素,點下去。
  4. 再觀察——頁面變了,再抓一次 DOM,回到第 1 步。

關鍵設計:不是給 LLM 看截圖。截圖對視覺模型友善,但 token 消耗太大,一個頁面截圖動輒好幾千 token。Browser Use 的做法是 DOM + accessibility tree + 給每個可互動元素一個編號,LLM 只要說「點 12 號」就行。

配套還有兩塊:

  • 記憶系統:先前的步驟存在上下文裡,讓 Agent 知道「我剛才搜過了,現在要點第 3 個結果」。
  • 自我糾錯:動作失敗(元素找不到、頁面沒載完)會重試,或者換個策略重新規劃。

底層跑的是 Chromium,本機就能開啟。如果不想自己維護瀏覽器叢集,可以接他們的雲端服務 cloud.browser-use.com,省事但要付費。

它好在哪裡

  • 上手極簡。上面那段程式碼就是完整範例,複製貼上就能跑。
  • 社群活躍。10 萬 Star 不是灌水來的,GitHub 上 issue 回覆快,Discord 也熱鬧。
  • examples 目錄能抄功課。apply_to_job(自動投履歷)、amazon 抓價格、Twitter 資料匯出這些都是完整範例。
  • 多模型支援。Claude、GPT、DeepSeek、Gemini 隨意切換,不死一家。

它差在哪裡

  • 複雜頁面成功率不穩定。JS 厚重、SPA、iframe 巢狀多的頁面,DOM 序列化容易掉東西,Agent 經常迷路。
  • Token 消耗可觀。一個中等任務輕鬆破萬 token,複雜流程 3 萬 token 起跳。比單純呼叫 API 貴一個量級。
  • 登入和驗證碼是大坑。需要登入狀態的場景要嘛你自己塞 cookie,要嘛乾脆別用。所有瀏覽器 Agent 都有這毛病。
  • 速度慢。一次任務跑幾十秒到幾分鐘是常態,不適合即時場景。

實測心得

用 GPT-4o 跑了 examples 裡的 amazon 價格抓取,10 次成功 8 次。失敗的 2 次都是同一個原因:頁面彈出 cookie 同意視窗,Agent 沒意識到要先關掉它,直接去點「加入購物車」,結果元素被遮罩擋住。

這是所有瀏覽器 Agent 的通病,cookie 同意框、地區彈窗、廣告阻擋提示——這些「頁面裡的意外」對人是常識,對 Agent 是未知的障。

Token 消耗實測:簡單任務(搜個東西、抓個標題)8k-15k token,複雜一點的流程(多頁面跳轉、填表單)3 萬 token 起跳。GPT-4o 照輸入輸出均價算,一個任務幾分到幾毛美金,跑大規模不划算。

結論:簡單任務用起來很順,別把它當生產級爬蟲用。

同類比較

  • Selenium / Playwright:底層基礎建設,但沒有 Agent 層。要寫程式,告訴它點哪個 selector。
  • Skyvern:偏視覺方案,截圖丟給多模態模型。token 更貴但對結構異的頁面更魯棒。
  • Stagehand:另一個對標專案,社群沒那麼活躍。

Browser Use 的定位是「中間層友善」:既不是要你寫程式的 Selenium,也不是燒錢燒到心疼的純視覺方案。

誰該用

適合的場景:

  • 快速驗證「Agent 能不能搞定某個網頁流程」——花十分鐘寫幾行程式就知道答案。
  • 團隊內部小工具,例如自動填報帳、抓競品價格、做 demo。
  • 研究 Agent 行為本身,例如論文裡要復現 ReAct、規劃能力。

不適合的場景:

  • 大規模資料蒐集——成本太高、速度太慢、IP 還容易被封。
  • 需要穩定 SLA 的生產場景——成功率波動大,不能賭。
  • 對抗反爬的活——瀏覽器特徵明顯,Cloudflare 一抓一個準。

10 萬 Star 堆出來的東西,能解決 80% 的「我想讓 AI 幫我點一下網頁」需求。剩下 20%,要嘛是頁面太爛,要嘛是你該換個工具。


參考:browser-use/browser-use GitHub 倉庫

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