前言

在之前關于 AI 測試相關的幾篇文章中，我們分別介紹了通過 playwright-mcp，以及 midscene.js、magentic ui 等幾個不同的 AI 瀏覽器工具，實現 AI 驅動自動化測試的方法介紹。而其實在這些不斷涌現的新工具出現之前，還有一個更早推出（2024.11），也同樣還在不斷完善的AI瀏覽器驅動工具 Browser Use，其工具實現思路，為后來的相關工具提供了很多借鑒。 而經過半年多40多個版本的迭代，目前最新版本 0.2.5，工具功能也日臻完善。

本文，我們就再來對這個 AI 瀏覽器做一個系統的介紹。

browser-use簡介

browser-use 的定位是提供一個簡易且功能強大的，將不同AI Agent和瀏覽器連接起來的方案，實現基于AI的智能化瀏覽器自動化。

它是一個基于Python的開源庫，在github上已有超過 61K 的Stars，可以說是備受關注。

主要依托 Playwright/Puppeteer 的瀏覽器控制能力和 AI 大模型的推理分析能力，完成讓 AI 從資訊助手向輔助執行的轉變。在其之后，mcp大行其道，包括后續的其他各種瀏覽器AI驅動，也都能看到 browser-use 方案的影子。

實現原理

browser-use 的實現，其實是通過 Langchain 和 LLM 大語言模型實現的一個 AI Agent 智能體，來理解網頁內容并進一步生成操作指令。項目底層依賴 Playwright 框架實現瀏覽器自動化操作，支持多瀏覽器（如 Chromium、Firefox 等），能夠模擬真實用戶的點擊、輸入、導航等行為。

基于 AI 能力，系統能夠自動識別網頁中的可交互元素（如按鈕、輸入框等），并結合上下文的理解生成對應的交互邏輯，提升自動化效率，實現基于 AI 的瀏覽器智能。

核心架構解析

browser-use 通過分層架構實現 AI Agent 與瀏覽器的深度集成，其核心架構不同分層的主要作用如下：

Agent 層（決策中樞）

這一層，主要負責任務流程編排與決策制定。通過實現小型狀態機管理任務流程， 并與 LLM（如 OpenAI）進行交互獲取決策指令。

Controller 層（指令轉換器）

這一層負責將高級決策轉化為具體瀏覽器操作指令， 支持 DOM 操作、頁面導航等基礎動作，也提供對多標簽頁交互邏輯的管理。

DOM 解析引擎

在這一層對網頁結構與內容實時解析，包括提供視覺識別能力（OCR 支持），完成對可操作的網頁元素映射關系的構建。

Browser 接口層

在這一層，基于Playwright框架實際驅動瀏覽器行為，除了內置的無頭模式控制，也可以通過指定瀏覽器路徑和用戶瀏覽器進行交互。

架構圖