Browser-use 详细介绍&使用文档

赐度虻 · 2025-6-4 22:48:47

Browser-use 详细介绍&使用文档

一、概述

Browser-use 是一个旨在将 AI “智能体”（Agents）与真实浏览器进行交互的 Python 库，可以轻松实现浏览器自动化。在配合 LLM（如 GPT 系列）使用时，浏览器-use 能够让你的智能体发起对网页的访问、操作页面元素、收集信息、执行脚本等，从而扩展 AI 应用的落地场景。

GitHub: browser-use/browser-use
官网: browser-use.com
文档: docs.browser-use.com

目前 Browser-use 最低需要 Python 3.11 及以上，才能正常使用其封装的 Playwright 功能。

1. 技术栈:

LangChain（AI Agent框架）
Playwright（浏览器自动化）
dotenv（环境变量 key）
异步I/O架构

2. 流程图

graph TD A[用户任务] --> B[LLM 解析] B --> C[Agent 决策/规划] C --> D[浏览器动作] C --> E[数据提取页面信息] D --> F[Playwright 调用] F --> H[浏览器实例] E --> G[模型处理] G --> I[(结构化结果输出)]browser-use：语言模型 -> 决策/控制 -> 浏览器执行 -> 数据回传 -> 模型后处理
二、关键特性

1. 简单的 Agent 接口

通过 Agent 类即可快速创建带浏览器交互能力的智能体，赋能 LLM 与网页之间的复杂操作。
1.1. Agent 接口参数

参数名称类型默认值说明taskstr无（必传）代理需要执行的任务描述。llmBaseChatModel (LangChain Model)无（必传）主语言模型，执行对话和工具调用。controllerobject (Controller 实例)默认Controller自定义函数/工具调用的注册表。可参考“Custom Functions”。use_visionboolTrue是否启用视觉能力（截图+分析）。如模型支持图像输入，可显著提高网页理解；也会产生额外 token 成本。save_conversation_pathstr无若指定，则会将对话历史保存在该路径下，用于调试或审计。system_prompt_classtype (自定义 System Prompt 类)默认Prompt 类自定义系统提示词逻辑，参考“System Prompt”定制化说明。browserBrowser (Browser-use 实例)无重用已创建的 Browser 实例；若不提供，则 Agent 每次 run() 时会自动创建并关闭新的浏览器。browser_contextBrowserContext (Playwright 实例)无使用已有的浏览器上下文 (Context)。适合需要维护持久会话 (cookies/localStorage) 的场景。max_stepsint100允许 Agent 执行的最大步骤数，防止死循环或无限操作。planner_llmBaseChatModel不启用 Planner规划用语言模型，与主 LLM 分开；可用较小/便宜模型处理高层策略。use_vision_for_plannerboolTruePlanner 是否能使用视觉功能（若主 LLM 已开启视觉，这里可独立关闭以节省资源）。planner_intervalint1Planner 模型执行间隔。即每多少步调用一次 Planner 作重新规划。message_contextstr无额外的任务/上下文信息，辅助 LLM 更好理解或执行任务。initial_actionslist[dict]无初始化时要执行的动作列表（无需经 LLM 调用），格式为 {action_name: {...}}。max_actions_per_stepint10每个步骤里可执行的最大动作数，用于控制 Agent 过度频繁操作。max_failuresint3允许 Agent 失败的最大次数，超过则停止任务。retry_delayint (秒)10当遇到限流 (rate limit) 或可重试的错误时，等待多少秒后再次尝试。generate_gifbool 或 str (路径)False是否录制浏览器过程生成 GIF。为 True 时自动生成随机文件名；为字符串时将 GIF 存储到该路径。2. 多语言模型支持

可轻松集成 LangChain 提供的各类 LLM（如 OpenAI、Anthropic、Cohere 等）进行高级任务管理。
模型所属/类型GPT-4oOpenAIClaudeAnthropicAzureAzure OpenAIGeminiGoogle Generative AIDeepSeek-V3DeepSeekDeepSeek-R1DeepSeekOllama本地模型 (需安装 Ollama)3. 基于 Playwright

默认使用 Playwright 进行浏览器的无头启动、页面操作和渲染控制；对常见网页交互场景提供友好的抽象。
4. 云端版 & 本地版

除了本地安装运行外，Browser-use 也提供托管版本，可以直接在云端执行，无需配置本地环境。
5. Gradio UI 测试

内置示例可以利用 Gradio 搭建简易的可视化界面，方便开发者快速测试并可视化浏览器自动化流程。
三、环境准备

1. Python 版本

需要 Python 3.11 或更高版本。
推荐在独立虚拟环境(venv)或管理工具（如 uv）中配置环境。

1.1. 推荐使用 pyenv 管理 python

Github：https://github.com/pyenv/pyenv

# pyenv 根目录
export PYENV_ROOT="$HOME/.pyenv"
export PATH="$PYENV_ROOT/bin:$PATH"
# 初始化
eval "$(pyenv init -)"

复制代码

2. 安装方法

2.1. 安装 browser-use

pip3 install browser-use

复制代码

2.2. 安装 Playwright

playwright install

复制代码

此操作会自动下载 Chromium 无头浏览器，用于后续的浏览器自动化。

2.3. 配置 LLM API Keys（可选）

在 .env 文件中填写相应的 OPENAI_API_KEY=、ANTHROPIC_API_KEY= 等 Key。

OPENAI_API_KEY=sk-xxxxxxx

复制代码

如果使用其他 LLM，需要参考 LangChain 文档或对应服务提供的说明进行配置。

四、Demo 示例

1. 简单示例

#!/usr/bin/env python3
# -*- coding: utf-8 -*-
import asyncio
from dotenv import load_dotenv
from langchain_openai import ChatOpenAI
from browser_use import Agent
load_dotenv()
llm = ChatOpenAI(model="gpt-4o")
async def main():
agent = Agent(
task="打开 https://cn.vuejs.org/guide/essentials/computed，获取页面里所有的 h2 标签文本及所有的 a 标签文本（以及它的 href）",
llm=llm,
)
result = await agent.run()
print('result:',result)
if __name__ == "__main__":
asyncio.run(main())

复制代码

1.1. 核心流程:

从 .env 中读取 OPENAI_API_KEY 等信息，初始化 ChatOpenAI。
创建一个 Agent，指定 task 即描述智能体要完成的任务。
调用 agent.run() 发起执行，包括浏览器自动化与 LLM 结合的流程。

五、常见操作

1. 修改 LLM 模型

llm = ChatOpenAI(model="gpt-3.5-turbo")

复制代码

或

llm = ChatOpenAI(model="gpt-4o")

复制代码

2. 在 .env 中设置 API Key

OPENAI_API_KEY=sk-xxxx
ANTHROPIC_API_KEY=xxxxxx

复制代码

如果你还需使用其他模型（如 Cohere、HuggingFace Hub），可一并配置对应的 Key，并在 Python 脚本中初始化相应的 LLM 对象。
3. 官方文档示例

在 docs.browser-use.com/introduction 可以找到更多场景示例，比如如何定制 browser-use 的 Tools、配合 PythonREPLTool 扩展执行 Python 脚本等。
六、UI 测试方式

如果你想通过简单的 UI（如 Gradio）来测试 Browser-use，官方示例提供了 examples/ui/gradio_demo.py。
1. 安装 Gradio

uv pip install gradio

复制代码

2. 运行示例

python examples/ui/gradio_demo.py

复制代码

打开终端提示的地址，就能看到一个简易的 web 界面，在界面中输入 task 等信息测试智能体。
七、常见问题 & 解决思路

报错：playwright not installed 或 executable path not found
- 请确认已执行 playwright install chromium，且安装成功。
Python 版本过低
- Browser-use 要求 Python >= 3.11，如果你使用的是 3.10 或更低版本，需要升级环境。
LLM 调用失败
- 检查是否在 .env 中填写了正确的 API key，或你的 Key 是否仍在有效期内。
UI Demo 启动后无法访问
- 可能是端口占用，或者 Gradio 版本过旧。尝试更新 gradio 或换一个端口。
长时间卡住/超时
- 检查网络环境，LLM 请求或浏览器加载是否耗时过长。

八、总结

Browser-use 让 AI 与浏览器的结合变得更便捷，能够快速构建出“会浏览网页、抓取信息、进行动态交互”的智能体。只需简单的配置与几行代码，就能让 LLM 自动处理网页操作，为项目带来更多可能性。

使用 Python >= 3.11；
安装并配置好 Playwright；
在主代码中初始化 Agent 并提供 LLM；
在 .env 中存放 API Keys；

九、参考

GitHub: browser-use/browser-use
官网: browser-use.com
官方文档: docs.browser-use.com/introduction

来源：程序园用户自行投稿发布，如果侵权，请联系站长删除
免责声明：如果侵犯了您的权益，请联系站长，我们会及时删除侵权内容，谢谢合作！

账号		自动登录	找回密码
密码			立即注册

Browser-use 详细介绍&使用文档

相关帖子

签约作者

Browser-use 详细介绍&使用文档

相关帖子

相关推荐

签约作者