browser-use:AI智能体执行浏览器任务的开源路径

browser-use AI智能体 项目概念

当AI智能体需要在网页上完成点击、填写和核对时,browser-use提供了怎样的开源路径?本文围绕一个假设的客服订单查询场景,梳理这个开源浏览器智能体项目的设计、流程与边界;以下内容仅据README整理,未独立实测。

订单查询为何需要可编排的浏览器执行层?

假设一家小型电商客服团队希望让AI智能体处理订单物流查询:登录后台、找到订单、复制最新状态并生成回复。这属于以下场景为假设的贯穿案例,不是实测记录。真正的问题是,浏览器任务步骤多、页面状态会变,单靠脚本容易在登录、弹窗或人机验证处中断。LLM在这里指大语言模型,负责理解任务和页面信息;CDP指浏览器远程控制协议,可把页面操作暴露给程序。对这个项目,它被描述为开源浏览器智能体,可在本地配合任意LLM运行,也可在Browser Use Cloud上运行。这引出一个现实判断:团队需要的是一套可编排的浏览器执行层,而不是再写一套脆弱的点击脚本。因此,场景定义得越清楚,后续越容易判断项目是否匹配。

本地库、云浏览器和托管智能体如何分工?

browser-use的身份并不只是“一个脚本库”:README把它放在开源浏览器智能体、云浏览器和托管智能体API三条路径中。Browser Use是开源浏览器智能体,提供Python和TypeScript版本,并提供带隐身、CAPTCHA求解和住宅代理的云浏览器以及托管智能体API。对上述假设团队来说,解决思路是让人工智能体根据任务描述决定点击和输入,而不是预先写死每一步;本地浏览器适合可控环境,云浏览器则把浏览器托管出去。CAPTCHA指网站的人机验证,住宅代理指以住宅网络地址转发请求的代理服务。README还区分完全托管云、CLI和Python库三种用法,团队可按“自己写代码、自己管浏览器”或“只提交任务”的程度选择。三种路径的差别,本质上是把多少运行责任交给服务方。

页面观察、模型决策与浏览器动作如何循环?

核心机制可以理解为“模型看页面、决定动作、浏览器执行、结果再反馈”。README给出的本地Python示例中,Browser Use可以在Python中本地运行智能体,并选择模型以及本地或云浏览器。Agent接收task任务描述,调用所选的LLM,并把浏览器操作组织成可执行的步骤。LLM负责理解自然语言和页面内容;浏览器层负责打开页面、点击、输入和读取结果。对假设的客服任务,智能体不会预先知道订单按钮在哪,而是根据页面快照逐步定位。这里的关键不是单个动作多聪明,而是把观察、决策和执行连成循环,让任务在页面变化时仍有调整空间。这也解释了为什么页面观察质量和任务描述会影响执行路径。

browser-use 工作流程 机制示意

从配置密钥到读取最终结果要经过哪些步骤?

按README的快速开始,工作流程从安装库、配置模型密钥、编写Agent任务开始。示例中,智能体会打开浏览器、查询仓库并打印答案。换成假设的订单查询,流程可描述为:启动浏览器,读取任务,打开客服后台,识别登录状态,定位订单号,提取物流状态,最后把结果写入final_result。若选择云浏览器,代码只需把browser设置为使用云浏览器,README称“Same code, no other changes”。这里的final_result是运行历史中的最终结果入口;它不是对页面数据的保证,仍需看任务和页面。整个流程的价值在于把多步网页操作收束为一次任务提交,但步骤执行仍依赖模型和浏览器状态。每一步都可能产生新的页面状态,所以结果复核不能省略。

系统提示、任务描述与自定义工具如何分层?

关键设计之一是提示词和工具的分层。README说明,Agent会自动提供Browser Use系统提示词,任务写在task参数中,并可用extend_system_message追加指令或用override_system_message替换默认提示词。这意味着团队不必从零编写系统提示,但可以在需要时追加业务规则或替换默认行为。另一个设计是自定义工具:可以用Tools注册函数并传给智能体。对假设团队,可把“查询内部订单数据库”封装成工具,让浏览器读取页面与内部数据配合。MCP在README目录中出现,但本文不展开;API指应用程序接口。这里的设计取向是让浏览器动作、模型推理和外部函数各司其职,而不是把所有逻辑塞进一个提示词。这种分层也便于把业务规则与页面操作分开维护。

谁来维护浏览器,谁来运行智能体?

从README看,适用场景包括让智能体执行多步浏览器任务、在自有应用中嵌入Python库、给已有编码智能体增加浏览器能力,以及用云浏览器处理需要隐身、代理或CAPTCHA求解的托管环境。CLI和Python库都可以连接本地或云浏览器;云浏览器托管浏览器,而完全托管API还运行智能体。回到假设的客服团队:如果只需内部后台且能控制浏览器,本地库较合适;如果不想维护Chrome、又要在容器或CI中运行,云浏览器是README给出的选项;如果连智能体运行也不想管,则可看完全托管API。Ollama本地模型也被提及,也可以通过Ollama使用本地浏览器和本地模型,但受硬件和模型要求限制。这些是适用方向,不代表每个站点都能顺利执行。如果任务需要严格可重复,仍应评估是否用固定脚本更合适。

验证码、重放与页面快照为何仍需人工复核?

README没有承诺所有页面都能自动化。CAPTCHA结果取决于站点和挑战,没有浏览器配置能保证每个CAPTCHA都能避免或解决。对假设的客服任务,这意味着登录验证可能成为断点。认证方面,配置同步传输cookies,不传输local storage、IndexedDB或扩展,某些站点可能需要重新登录。重放也有边界:如果页面变化,重放会在第一个无法匹配的步骤抛出RuntimeError,此前步骤已经执行,因此再次运行智能体前应检查表单是否已提交。数据方面,使用sensitive_data时,输入的机密会保存为<secret>key</secret>占位符,但页面快照和结果按原样保存,仍可能包含机密。这些风险来自README的明确说明;本文未独立实测,不能推断实际成功率或安全性。因此应保留人工复核。

接入前如何核算费用并核验任务与数据?

真正使用前,先判断三件事:任务是否可验证、浏览器由谁托管、模型与数据成本如何承担。README写明,Python库免费且采用MIT许可,模型推理和托管浏览器另行计费,API提供方和Browser Use Cloud按使用收费。云浏览器方面,云浏览器每小时0.02美元并另计网络流量,还增加隐身、住宅代理、CAPTCHA求解和实时查看URL。对假设的客服团队,应先用小范围、可人工复核的任务验证流程,保留人工兜底,并确认敏感信息不会被快照或结果意外保存。README还提到Claude工具集需要包含相应浏览器工具的Anthropic SDK版本,Bash需要Linux或macOS主机上的/bin/bash;这些条件说明集成并非无条件可用。最后,这个开源库采用MIT许可证。本文仅依据README资料整理,未独立实测。这样的判断应先于大规模接入。

browser-use展示了一条把AI智能体接入浏览器执行层的开源路径:用任务描述驱动模型决策,再让浏览器完成观察与操作。对假设的客服订单查询,它提供了本地库、云浏览器和托管API等不同责任边界,但页面变化、验证码、登录同步和机密数据保存都需要在采用前核验。本文仅依据README资料整理,未独立实测。

参考来源

本文仅据固定版本 README 整理,未独立实测;仅作技术介绍,不构成安全审计或投资建议。

采集时间:2026-10-26T13:31:46.180Z;119181 Star 快照。首次发现;暂无可用的约24小时基线,日增长未知。

browser-use/browser-use README · 3df5806a0d097a1546d92c49bcf1b28c9972c3bd

GitHub 仓库及采集时元数据

标签 AI智能体browser-useAI Agent智能体工作流

本文基于公开媒体报道整理,仅作信息参考,不构成任何投资依据,内容以原文为准。

相关阅读

同分类「人工智能」的其他稿件

更多人工智能 →