让 AI 真的“会用网页”：Browser-Use 把网站变成 AI Agent 可操作的界面，让自动化像聊天一样简单

Browser-Use 的核心一句话：你告诉 AI “要做什么”，它就能在真实网页里自己点击、输入、提交表单、截图、持续运行。它把“浏览器操作”封装成 Agent 能理解的动作，让你不必为每个网站单独写一堆脆弱的爬虫或自动化脚本。

一、Browser-Use 解决的是什么问题？

很多团队做“AI + 自动化”时都会卡在同一个环节：

• LLM 很会思考、会写代码，但不会直接操作网页
• 传统自动化（如脚本化的点击/定位）常常对页面结构变化非常敏感
• 需要“跨站点完成任务”时，逻辑更复杂：登录态、表单、跳转、选择器全都很麻烦

Browser-Use 的思路是：让 Agent 直接使用浏览器完成任务。你只需要提供任务描述，例如：

• “把我的简历信息填进这个招聘表单并提交”
• “把这份购物清单加入 Instacart 购物车”
• “帮我在装机网站上挑一套合适的 PC 配件”

它的价值在于：用自然语言驱动可执行的网页操作，把“需求”直接连接到“浏览器动作”。

二、两种快速上手方式：给 AI 写（LLM Quickstart）和给人写（Human Quickstart）

1）LLM Quickstart：让你的编码 Agent 直接读指令文档

如果你常用 Cursor、Claude Code 等编码 Agent，可以直接让它们阅读官方的 Agents 指南，然后开始写任务提示词并运行。
项目提供了入口：Agents.md（长文档）：
https://docs.browser-use.com/llms-full.txt

这类方式适合：你希望“让 AI 帮你搭建整套自动化流程”。

2）Human Quickstart：你自己跑起第一个浏览器 Agent（Python ≥ 3.11）

Browser-Use 推荐用 uv 来创建环境并安装。

Step 1：创建环境并安装

uv init && uv add browser-use && uv sync
# uvx browser-use install  # Run if you don't have Chromium installed

Step 2（可选）：配置 Browser Use Cloud 的 API Key如果你希望使用 Browser Use Cloud（更快、可扩展、带 stealth 浏览器自动化能力），可以申请 key 并写入 .env：

# .env
BROWSER_USE_API_KEY=your-key
# GOOGLE_API_KEY=your-key
# ANTHROPIC_API_KEY=your-key

Step 3：运行你的第一个 Agent下面这段示例会让 Agent 去找到 browser-use 仓库的 star 数：

from browser_use import Agent, Browser, ChatBrowserUse
# from browser_use import ChatGoogle  # ChatGoogle(model='gemini-3-flash-preview')
# from browser_use import ChatAnthropic  # ChatAnthropic(model='claude-sonnet-4-6')
import asyncio

asyncdef main():
    browser = Browser(
        # use_cloud=True,  # Use a stealth browser on Browser Use Cloud
    )

    agent = Agent(
        task="Find the number of stars of the browser-use repo",
        llm=ChatBrowserUse(),
        # llm=ChatGoogle(model='gemini-3-flash-preview'),
        # llm=ChatAnthropic(model='claude-sonnet-4-6'),
        browser=browser,
    )
    await agent.run()

if __name__ == "__main__":
    asyncio.run(main())

这里能看到它的关键抽象非常清晰：

• Browser(...)：浏览器执行器（本地或 cloud）
• Agent(task=...)：你给任务，它负责规划与执行
• llm=...：接哪个模型来“理解任务 + 决策下一步”

官方也给了两个文档入口：

• 开源库文档： https://docs.browser-use.com/open-source/introduction
• Cloud 文档： https://docs.cloud.browser-use.com

三、最直观的能力展示：3 个 Demo 场景（表单、购物、个人助理）

Demo 1：表单填写（Form-Filling）

任务示例：“用我的简历和信息填完这份工作申请表。”

示例代码：
https://github.com/browser-use/browser-use/raw/main/examples/use-cases/apply_to_job.py

这个场景非常典型：字段多、页面步骤多、还可能有校验。Browser-Use 的优势是把“要填什么”交给 Agent，让它自己在网页上找到可交互元素并完成输入/提交。

Demo 2：在线买菜（Grocery-Shopping）

任务示例：“把这份清单里的商品加入 Instacart。”

视频：
https://github.com/user-attachments/assets/a6813fa7-4a7c-40a6-b4aa-382bf88b1850

示例代码：
https://github.com/browser-use/browser-use/raw/main/examples/use-cases/buy_groceries.py

这类电商/到家平台往往页面动态复杂，传统脚本容易因为选择器变动而崩。Browser-Use 走的是“Agent 操作网页”的路线，更接近人类。

Demo 3：个人助理（Personal-Assistant）

任务示例：“帮我找一套定制 PC 的配件。”

视频：
https://github.com/user-attachments/assets/ac34f75c-057a-43ef-ad06-5b2c9d42bf06

示例代码：
https://github.com/browser-use/browser-use/raw/main/examples/use-cases/pcpartpicker.py

这类任务不只是“点点点”，还包含“比较、筛选、选择并继续下一步”。Agent 的价值就在于：它能把网页当作“可操作的信息源”。

更多例子入口（官方）：
https://docs.browser-use.com/examples

四、想更快开搞：一条命令生成可运行模板（Template Quickstart）

不想从零写？可以直接生成模板脚本：

uvx browser-use init --template default

会生成 browser_use_default.py，开箱即跑。模板选择：

• default：最小可用
• advanced：全部配置项 + 详细注释
• tools：展示如何自定义工具、扩展 Agent 能力

也支持自定义输出路径：

uvx browser-use init --template default --output my_agent.py

五、除了写代码，你还可以用 CLI 直接操控浏览器（并且是“持久会话”）

Browser-Use 提供了命令行工具，适合快速调试、复现步骤、或把一串动作写成脚本化流程：

browser-use open https://example.com    # Navigate to URL
browser-use state                       # See clickable elements
browser-use click 5                     # Click element by index
browser-use type "Hello"                # Type text
browser-use screenshot page.png         # Take screenshot
browser-use close                       # Close browser

一个很实用的点：CLI 会让浏览器在命令之间保持运行，所以你可以反复 state/click/type 快速迭代，而不用每次重启浏览器。

CLI 文档入口（官方）：
https://raw.githubusercontent.com/browser-use/browser-use/main/browser_use/skill_cli/README.md

六、模型选择、费用与“是否免费”

1）推荐模型：ChatBrowserUse()

项目说明他们对 ChatBrowserUse() 做了浏览器自动化专项优化：平均完成任务速度可比其他模型快 3-5 倍，并保持 SOTA 准确率。

并给出了定价（每 1M tokens）：

• Input tokens：$0.20
• Cached input tokens：$0.02
• Output tokens：$2.00

其他模型支持情况见文档：
https://docs.browser-use.com/supported-models

2）能不能免费用？

可以。Browser-Use 是 MIT License 的开源库，你只需要选择 LLM 提供方（例如 OpenAI、Google、ChatBrowserUse，或者用 Ollama 跑本地模型）。

七、进阶：自定义 Tools，让 Agent 多一套“技能手册”

如果你的任务不只是网页操作，还希望在关键步骤调用自定义能力（比如：格式化文本、校验参数、对接内部 API），可以用 Tools() 扩展：

from browser_use import Tools

tools = Tools()

@tools.action(description='Description of what this tool does.')
def custom_tool(param: str) -> str:
    return f"Result: {param}"

agent = Agent(
    task="Your task",
    llm=llm,
    browser=browser,
    tools=tools,
)

这意味着你可以把业务系统的能力“挂”到 Agent 上：网页负责操作，工具负责业务逻辑处理。

八、登录态、验证码与生产化：官方给出的方向

1）如何处理登录/认证（Authentication）

官方提供了认证示例方向：

• 使用真实浏览器 Profile：复用你现有 Chrome profile（含已保存登录态）
  示例： https://github.com/browser-use/browser-use/raw/main/examples/browser/real_browser.py
• 需要临时账号 + 收件箱：他们建议选择 AgentMail
• 如果要把本地 auth profile 同步到远程浏览器：提供了脚本方式（文档中给出 curl 命令）

这些信息的核心是：Browser-Use 不只“能打开网页”，也在考虑“如何持续保持会话”。

2）CAPTCHA 怎么办？

项目明确提到：处理 CAPTCHA 需要更好的浏览器指纹与代理能力，建议使用 Browser Use Cloud，它提供 stealth 浏览器来降低被检测与 CAPTCHA 挑战。

3）如何走到生产环境？

他们指出 Chrome 很吃内存，并行跑很多 agent 需要管理能力。Browser Use Cloud API 提供：

• 可扩展的浏览器基础设施
• 内存管理
• 代理轮换
• stealth 指纹
• 高性能并行执行

如果你的目标是“批量跑任务、稳定交付”，Cloud 会更贴近工程落地。

九、同类项目简述：你还可以关注哪些方向？

如果你在选型“AI 驱动的浏览器/网页自动化”，通常会碰到几类相近路线（按功能取向划分）：

1）传统浏览器自动化框架（偏脚本与测试）
特点：通过代码精确控制浏览器（定位元素、点击、等待），适合自动化测试与可重复流程；但对页面变化敏感，跨站任务需要大量工程维护。代表方向通常是 Playwright / Selenium 一类。

2）“让 LLM 操作浏览器”的 Agent 框架（偏自然语言 + 决策）
特点：更强调“给目标，自己规划步骤”，适合开放式网页任务（填表、下单、检索、后台操作）。Browser-Use 属于这一类，同时又提供了 CLI、模板、工具扩展与 cloud 的工程化路径。

3）RPA 工具（偏企业流程与可视化编排）
特点：通过录制/流程图编排实现自动化，适合稳定且重复的内部流程；但与 LLM 的深度结合、以及对开放网页的泛化能力，往往需要额外集成。