一、項目背景與核心作用

browser-use?是一個開源的瀏覽器自動化工具，通過集成 AI 智能體（如 GPT、Claude、DeepSeek 等大型語言模型），實現用自然語言控制瀏覽器操作。其核心目標是?簡化網頁交互自動化，尤其適合復雜、多步驟的任務（如數據抓取、表單填寫、跨網站操作等）。

與傳統工具（如 Selenium）的對比優勢：

1. AI 驅動決策：通過自然語言指令生成操作流程，無需手動編寫腳本。
2. 自我糾錯能力：執行中自動檢測錯誤并調整策略（如元素定位失敗時嘗試替代方案）。
3. 多模態支持：結合 HTML 解析與視覺模型，處理動態頁面更魯棒。
4. 跨任務持久化：支持保持瀏覽器會話狀態，實現鏈式任務（如登錄后連續操作）。

5. 結構化網頁理解：將網頁DOM元素轉換為簡潔的文本索引，大幅降低LLM處理開銷，提升操作準確性。

6. 多場景支持：適用于電商比價、求職申請、監控報警等自動化任務。

7. 與 MCP 客戶端集成：支持 Model Context Protocol（MCP），可與 Claude Desktop、其他 MCP 客戶端互聯互通

二、核心功能

1. 任務分解：

   • 用戶輸入自然語言指令（如“查找倫敦到紐約的最便宜航班”）。
   • AI 模型（如 GPT-4）將指令分解為可執行的瀏覽器操作步驟（打開網站→輸入搜索條件→提取結果）。

2. 瀏覽器控制引擎：

   • 基于?Playwright?實現瀏覽器自動化（支持 Chrome/Firefox 等）。
   • 自動解析頁面元素（按鈕、輸入框），生成 XPath 或 CSS 選擇器。

3. 自我糾正機制：

   • 若操作失敗（如元素未加載），自動重試或調用備用方案。
   • 記錄操作歷史，便于回溯調試。

4. 輸出結構化數據：
   結果可保存為 CSV、PDF 或直接推送到數據庫。

三、工作原理

browser-use 通過解析瀏覽器的?userAgent?字符串和其它相關環境變量，結合內置的解析規則，提取瀏覽器名稱、版本號和操作系統信息。部分庫會融合特性檢測（feature detection）以驗證瀏覽器實際支持的功能，而不僅僅局限于?userAgent?的靜態信息。

1. 系統架構

1. Agent：接收任務描述，調用 LLM 生成執行指令。

2. Controller：解析指令，映射到標準瀏覽器操作（點擊、填表、抓取等）。

3. Playwright：真正啟動無頭/有頭瀏覽器，執行 Controller 下發的操作。

這種三層分離設計，使得業務邏輯、指令解析與瀏覽器執行相互隔離，便于擴展與調試。

┌────────────┐     ┌───────────┐     ┌──────────────┐
│  AI Agent  ├─→──┤ Controller ├─→───┤ Playwright   │
│ (LLM 調用) │    │            │     │ 瀏覽器實例    │
└────────────┘     └───────────┘     └──────────────┘

2. 工作流程

3. 關鍵技術

• 元素定位：通過XPath/CSS選擇器映射LLM返回的索引到具體元素5。

• 狀態檢測：操作后對比DOM哈希值判斷頁面是否變化，決定是否重新規劃步驟5。

• 錯誤處理：自動重試、回退、上下文重建，提高魯棒性1。

四、部署

1. 項目安裝

1）安裝依賴

pip install browser-use

安裝界面：

??過程有點慢啊，有點慢。。。

2）安裝瀏覽器支持

安裝playwright依賴

npm i -D @playwright/test

安裝瀏覽器驅動

npx playwright install  # 安裝瀏覽器驅動

安裝界面：

🧩你也可以選擇

只安裝某個指定的瀏覽器：

命令	簡介	默認行為
playwright install	安裝 Playwright 所有支持的瀏覽器（Chromium、Firefox、WebKit）	自動下載三種瀏覽器到本地緩存
playwright install chromium --with-deps --no-shell	只安裝 Chromium 瀏覽器，并添加依賴項，同時禁用 shell 執行。如果需要測試其他內核，可將 chromium 替換為 firefox 或 webkit。	更精細控制安裝行為，適用于容器和安全環境

?? 參數解析

• chromium 指定只安裝 Chromium 瀏覽器，而不安裝其他（例如 Firefox 或 WebKit）。

• --with-deps 安裝瀏覽器運行所需的系統依賴項（比如在 Linux 上的 libX11、glib2、fontconfig 等），防止瀏覽器運行失敗。

• --no-shell 禁用 shell 腳本執行，適合在受限環境中運行，比如 Docker 或 CI/CD，不會觸發 shell 命令。

🚀 應用場景建議

• 使用 playwright install： 如果你希望快速安裝 Playwright 所有瀏覽器，并且沒有環境限制，是最簡單直接的方式。

• 使用 playwright install chromium --with-deps --no-shell： 如果你只需 Chromium，或者在無 shell 支持的容器環境中運行，需要更穩定的依賴環境，就用這個更安全的方式。

?2. Python代碼測試

配置LLM密鑰（.env文件）

在python環境中創建.env文件，把相關API-key記載其中，以備用程序代碼讀取：

# .env 文件示例
Silicon_Cloud_API_KEY=sk-xxx
Base_URL=https://api.siliconflow.cn
Model=Qwen/Qwen2.5-72B-Instruct ?# 開源替代模型:cite[2]:cite[4]

# 或使用OpenAI
OPENAI_API_KEY=sk-yyy

from browser_use import Agent
from langchain_openai import ChatOpenAI
import asyncio
import os
from dotenv import load_dotenv
from browser_use.llm import ChatOpenAIload_dotenv()async def main():agent = Agent(task="在百度搜索網站，查詢mcp，并總結前五條信息",llm = ChatOpenAI(model=os.getenv("Model"), api_key=os.getenv("Silicon_Cloud_API_KEY")),use_vision=False,  # 關閉截圖識別以節省成本install_extensions=False,  # 添加此行禁用擴展下載        )result = await agent.run()print(result["output"])  # 輸出抓取的數據asyncio.run(main())

執行過程中，提示找不到：langchain-openai ，安裝了一下：

pip install langchain-openai

然后執行的情況：

執行邏輯：

鍵信息提取
1. 1.
? ?Agent初始化
? ?
? ?- 啟動了 browser-use agent 0.5.11 ，使用雙模型架構：
? ? ?- 基礎模型： Qwen/Qwen2.5-72B-Instruct
? ? ?- 提取模型： Qwen/Qwen2.5-72B-Instruct
? ?- 支持文件系統訪問功能
2. 2.
? ?任務詳情
? ?
? ?- 執行任務： 在百度搜索網站，查詢mcp，并總結前五條信息
3. 3.
? ?瀏覽器啟動
? ?
? ?- 啟動本地Chromium瀏覽器（通過Playwright）
? ?- 配置： keep_alive=False ，用戶數據目錄位于 ~\.config\browseruse\profiles\default
4. 4.
? ?擴展下載錯誤
? ?
? ?```
? ?WARNING??[browser_use.utils]????
? ?Failed?to?setup?uBlock?Origin?
? ?extension:?
? ?Failed?to?download?extension:?
? ?<urlopen?error?[WinError?10060]?
? ?由于連接方在一段時間后沒有正確答復或連
? ?接的主機沒有反應，連接嘗試失敗。>
? ?```
? ?- 錯誤原因 ：uBlock Origin擴展下載超時（網絡連接問題）
? ?- 影響 ：瀏覽器將缺少廣告攔截功能，可能導致搜索結果中出現廣告干擾

執行現象，就看到他反復打開這個簡易的瀏覽器：

3、測試結果

我能力不夠，駕馭不了。。。。

{"mcpServers": {"browser-use": {"command": "uvx","args": ["browser-use[cli]", "--mcp"],"env": {"OPENAI_API_KEY": "sk-..."}}}
}

七、附錄

1、官方參考文檔

https://docs.browser-use.com/introduction

2、web-ui與browser-use對比

https://github.com/browser-use/web-ui與https://github.com/browser-use/browser-use 這兩個項目的對比：

🧠 項目定位對比

🔗 相通之處

• 共同目標：都旨在讓 AI 能夠控制瀏覽器，實現網頁自動化。

• 技術基礎：都使用 Python 和 Playwright 實現瀏覽器控制。

• 支持多種 LLM：如 OpenAI、Anthropic、DeepSeek 等。

• 可通過 .env 配置 API 密鑰與環境參數。

• 支持 MCP 協議：可與 Claude Desktop 等工具集成。

🚀 主要區別

如果你是開發者，想要構建自己的 AI 瀏覽器代理系統，browser-use 是更底層的選擇；如果你希望快速體驗或部署一個可視化的 AI 瀏覽器助手，web-ui 會更友好。