Browser Use 完整攻略：从新手到高手

Browser Use 完整使用攻略：用自然语言操控浏览器的开源 AI Agent

是什么 / 适合谁

Browser Use 是一个开源的浏览器 AI Agent 库，核心能力是让大语言模型（LLM）直接操控浏览器，完成网页导航、数据提取、表单填写等自动化任务。你可以把它理解为“给 AI 装上一双眼睛和一只手”——它能看懂网页内容，也能点击按钮、滚动页面、输入文字。

这个项目由瑞士团队 Browser Use 开发，完全开源免费，支持接入 OpenAI、Claude、本地开源模型等任意 LLM。它的最大价值在于：把“浏览网页”这个人类日常行为，变成 AI 可以执行的原子操作。

适合人群：

• 开发者：需要快速构建网页自动化脚本，但不想写复杂的 Selenium 或 Playwright 代码
• 数据从业者：需要从多个网站批量抓取数据，且网站结构经常变化
• AI 应用开发者：想为智能助手增加“上网能力”，比如让 AI 帮你查航班、比价、填表单
• 技术爱好者：对 AI Agent 感兴趣，想亲手搭建一个能“看网页、点按钮”的智能体

不适合人群：

• 完全零编程基础的用户（至少需要懂 Python 基础）
• 需要高稳定性、生产级自动化方案的企业（目前版本稳定性中等）
• 只想“一键安装”的普通用户（需要手动配置环境）

---

阶段学习路径

第1天：快速跑通 Demo

目标： 让 AI 帮你打开百度，搜索“Python 教程”，并读取搜索结果标题。

步骤：

1. 环境准备

   • 安装 Python 3.10 或更高版本
   • 创建虚拟环境：python -m venv browser_env && source browser_env/bin/activate
   • 安装核心库：pip install browser-use

2. 获取 API Key

   • 注册 OpenAI 账号，获取 API Key（国内用户可通过正规渠道申请）
   • 或者使用本地模型（如 Ollama 部署的 Qwen2），无需 API Key

3. 编写第一个脚本
   创建一个 demo.py 文件：

   from browser_use import Agent
   from langchain_openai import ChatOpenAI
   
   llm = ChatOpenAI(model="gpt-4o", api_key="你的API_KEY")
   agent = Agent(llm=llm)
   
   task = "打开百度，搜索'Python 教程'，返回前3个搜索结果的标题"
   result = agent.run(task)
   print(result)
   

4. 运行并观察

   • 执行 python demo.py，你会看到浏览器自动打开、输入关键词、点击搜索
   • 控制台会输出 AI 提取的搜索结果标题

常见问题：

• 浏览器窗口一闪而过？检查是否安装了 Chrome 浏览器
• API 调用失败？确认 API Key 有效且账户有余额
• 中文乱码？在脚本开头添加 # -*- coding: utf-8 -*-

第1周：掌握核心功能

目标： 完成更复杂的多步骤任务，学会错误处理和参数调优。

核心技能：

1. 任务链设计

   task_chain = [
       "登录知乎，账号：xxx，密码：xxx",
       "搜索'AI Agent 入门'，进入第一个回答",
       "提取回答的前3段内容，保存到文件"
   ]
   

2. 超时与重试机制

   agent = Agent(llm=llm, max_steps=20, retry_attempts=3)
   

3. 数据持久化

   result = agent.run("抓取今日头条前10条新闻标题和链接")
   with open("news.json", "w") as f:
       f.write(result.json())
   

实践项目： 做一个自动比价工具——在京东、淘宝搜索同一商品，返回最低价和链接。

进阶：自定义浏览器行为

目标： 编写自定义动作，处理复杂交互场景。

高级技巧：

1. 注入自定义 JavaScript

   agent.execute_script("document.querySelector('.popup').remove()")
   

2. 处理验证码（简单级别）

   • 滑块验证码：目前需手动介入，AI 无法完美处理
   • 文字验证码：可调用 OCR 服务识别，但成功率约 60%

3. 多标签页管理

   agent.switch_to_tab(2)  # 切换到第二个标签页
   agent.close_tab()       # 关闭当前标签页
   

4. 本地模型部署（完全离线）

   # 安装 Ollama
   curl -fsSL https://ollama.com/install.sh | sh
   # 下载模型
   ollama pull qwen2:7b
   

   然后在代码中替换 LLM 为本地模型：

   from langchain_community.llms import Ollama
   llm = Ollama(model="qwen2:7b")
   

---

优势

1. 开源免费，无商业限制：代码完全公开，可自行修改、二次开发，无需担心授权费用
2. LLM 无关性：支持 OpenAI、Claude、Gemini、本地模型等，可自由切换或组合使用
3. 自然语言驱动：用中文描述任务即可，无需写 CSS 选择器或 XPath
4. 视觉理解能力：基于截图分析页面布局，比传统 DOM 解析更鲁棒
5. 社区活跃：GitHub 项目持续更新，Issue 响应快，有 Discord 中文频道

---

短板

1. 稳定性中等：复杂页面（动态加载、反爬机制强）可能失败，需要人工干预
2. Python 依赖：非开发者用户入门门槛较高，没有图形化界面
3. 性能开销：每次操作需调用 LLM，耗时较长（单步操作约 2-5 秒）
4. 安全风险：AI 可能执行意外操作（如误点删除按钮），建议在测试环境运行
5. 中文支持待优化：对中文网页的理解偶尔出现偏差，需多次尝试

---

价格规划

完全免费：

• Browser Use 本身开源，无任何收费计划
• 使用本地模型（如 Qwen2、Llama 3）时，零成本运行

可选付费项：

• API 调用费：如果用 GPT-4o 等商业模型，按 token 计费（约 0.01 元/次任务）
• 算力成本：本地运行需 GPU（可选租用云 GPU，如 AutoDL 每小时约 2 元）
• 托管服务：社区有第三方提供“Browser Use 云服务”，但非官方出品

建议： 先用本地模型测试，确认效果后再决定是否使用商业 API。

---

不合适怎么办

如果 Browser Use 不适合你，可以考虑以下替代方案：

1. Browserbase：云托管浏览器自动化，提供 Webhook 和可视化界面，适合非开发者
2. Playwright + GPT-4：手动编写自动化脚本，但用 AI 辅助生成代码，灵活度更高
3. RPA 工具（影刀、UiBot）：图形化流程设计，适合企业级自动化，但需付费
4. Selenium IDE：浏览器插件，录制回放操作，零代码入门

选择建议：

• 想要完全免费 + 深度定制 → 坚持用 Browser Use
• 想要开箱即用 + 图形界面 → 尝试 Browserbase（有免费额度）
• 需要企业级稳定性 → 考虑商业 RPA 工具

---

最后提醒： 使用 Browser Use 时，请遵守目标网站的 robots.txt 协议和法律法规，不要用于爬取敏感数据或进行恶意操作。技术是中立的，如何使用取决于你的选择。