Browser-use：基于 Python 的 AI 浏览器自动化实战

基础配置

Agent 参数详解

通过 Agent 类即可快速创建带浏览器交互能力的智能体。以下是关键参数说明：

Browser 配置

Browser-use 提供两个主要配置类：BrowserConfig 控制整体行为，BrowserContextConfig 控制单个上下文（标签页/会话）的行为。

官方推荐：1 个 Agent 对应 1 个 Browser 和 1 个 Context，以增强稳定性和开发体验。

BrowserConfig

from browser_use import BrowserConfig
config = BrowserConfig(
    headless=False,
    disable_security=True
)
browser = Browser(config=config)

BrowserContextConfig

from browser_use.browser.context import BrowserContextConfig
config = BrowserContextConfig(
    cookies_file="path/to/cookies.json",
    wait_for_network_idle_page_load_time=3.0,
    browser_window_size={'width': 1280, 'height': 1100},
    highlight_elements=True,
    viewport_expansion=500,
    allowed_domains=['google.com', 'wikipedia.org'],
)

实战示例

1. 简单任务

这是最基础的用法，只需几行代码即可让 Agent 完成网页操作。

#!/usr/bin/env python3
# -*- coding: utf-8 -*-
import asyncio
from dotenv import load_dotenv
from langchain_openai import ChatOpenAI
from browser_use import Agent

load_dotenv()

async def main():
    llm = ChatOpenAI(model="gpt-4o")
    agent = Agent(
        task="打开 https://cn.vuejs.org/guide/essentials/computed，获取页面里所有的 h2 标签文本及所有的 a 标签文本（以及它的 href）",
        llm=llm,
    )
    result = await agent.run()
    print('result:', result)

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

核心流程解析：

1. 从 .env 读取 OPENAI_API_KEY 等信息，初始化 ChatOpenAI。
2. 创建 Agent，指定 task 描述智能体要完成的任务。
3. 调用 agent.run() 发起执行，包含浏览器自动化与 LLM 结合的流程。

2. 使用本地 Chrome 浏览器

如果你希望保留登录状态或 Cookie，可以直接复用本地 Chrome 实例。

from browser_use import Agent, Browser, BrowserConfig
from langchain_openai import ChatOpenAI
from dotenv import load_dotenv
import asyncio

load_dotenv()

browser = Browser(
    config=BrowserConfig(
        chrome_instance_path='/Applications/Google Chrome.app/Contents/MacOS/Google Chrome',
    )
)

llm = ChatOpenAI(model="gpt-4o")
agent = Agent(
    task="打开 https://cn.vuejs.org/guide/essentials/computed，获取页面里所有的 h2 标签文本及所有的 a 标签文本（以及它的 href）",
    llm=llm,
    browser=browser,
)

async def main():
    await agent.run()
    await browser.close()

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

3. 自定义 Prompt 与结构化输出

通过 Controller 和 Pydantic 模型，可以强制 Agent 返回特定格式的数据。

from pydantic import BaseModel
from typing import List
from dotenv import load_dotenv
from browser_use import Agent, Controller, Browser, BrowserConfig
from langchain_openai import ChatOpenAI
import asyncio

class WikiResult(BaseModel):
    post_title: str
    post_url: str

class WikiResults(BaseModel):
    posts: List[WikiResult]

load_dotenv()

browser = Browser(
    config=BrowserConfig(
        chrome_instance_path='/Applications/Google Chrome.app/Contents/MacOS/Google Chrome',
    )
)

instruction_message = """
你正在访问一个公司内部 Wiki 系统：http://wiki.xxx.com/pages/
你的目标是：
1. 打开该页面并使用搜索功能，输入关键词：RAP
2. 等待页面加载完毕，提取所有与搜索结果相关的条目，包括标题、简要描述和对应链接。
3. 优先提取条目中出现 "接口管理"、"Mock"、"权限" 等关键词的内容。
4. 将所有结果以列表形式返回。
请确保你的返回格式如下：
{
 "posts": [
  { "post_title": "xxx", "post_url": "http://..." },
  ...
 ]
}
"""

controller = Controller(output_model=WikiResults)

async def main():
    task = "搜索 Wiki 中有关 RAP 的内容"
    model = ChatOpenAI(model='gpt-4o')
    agent = Agent(
        task=task,
        llm=model,
        controller=controller,
        browser=browser,
        message_context=instruction_message
    )
    history = await agent.run()
    result = history.final_result()
    if result:
        parsed: WikiResults = WikiResults.model_validate_json(result)
        for post in parsed.posts:
            print('\n--------------------------------')
            print(f'Title: {post.post_title}')
            print(f'URL: {post.post_url}')
    else:
        print('No result')

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

4. 多 Agent 并行执行

如果需要同时处理多个任务，可以实例化多个 Agent。

agent1 = Agent(
    task="打开 https://cn.vuejs.org/guide/essentials/computed，获取页面里所有的 h2 标签文本及所有的 a 标签文本（以及它的 href）",
    llm=llm,
    use_vision=False
)
result1 = await agent1.run()

agent2 = Agent(
    task="打开 https://docs.browser-use.com/customize/custom-functions，获取页面里所有的 h2 标签文本及所有的 a 标签文本（以及它的 href）",
    llm=llm,
    use_vision=False
)
result2 = await agent2.run()

UI 测试方式

为了方便调试，可以使用 Gradio 搭建一个简单的 Web 界面。

安装 Gradio

pip3 install gradio

运行示例

import asyncio
import gradio as gr
from dotenv import load_dotenv
from langchain_openai import ChatOpenAI
from browser_use import Agent

load_dotenv()

llm = ChatOpenAI(base_url='https://api.deepseek.com/v1', model='deepseek-chat', api_key="sk-XXX")

async def run_browser_task(task: str) -> str:
    try:
        print('task', task)
        agent = Agent(
            task=task,
            llm=llm,
            use_vision=False
        )
        result = await agent.run()
        print('final_result()', result.final_result())
        return result
    except Exception as e:
        return f'Error: {str(e)}'

def create_ui():
    with gr.Blocks(title='Browser Use GUI') as interface:
        gr.Markdown('# Browser Use Task Automation')
        with gr.Row():
            with gr.Column():
                task = gr.Textbox(
                    label='Task Description',
                    placeholder='Task 描述',
                    lines=3,
                )
                model = gr.Dropdown(
                    choices=['gpt-4', 'gpt-3.5-turbo'],
                    label='Model',
                    value='gpt-4'
                )
                headless = gr.Checkbox(label='Run Headless', value=True)
                submit_btn = gr.Button('Run Task')
            with gr.Column():
                output = gr.Textbox(label='Output', lines=10, interactive=False)
                submit_btn.click(
                    fn=lambda *args: asyncio.run(run_browser_task(task.value)),
                    inputs=[task, model, headless],
                    outputs=output,
                )
    return interface

if __name__ == '__main__':
    demo = create_ui()
    demo.launch()

打开终端提示的地址，就能看到一个简易的 Web 界面，在界面中输入 Task 等信息测试智能体。

常见问题 & 解决思路

• 报错：playwright not installed 或 executable path not found 请确认已执行 playwright install chromium，且安装成功。
• Python 版本过低 Browser-use 要求 Python >= 3.11，如果使用的是 3.10 或更低版本，需要升级环境。
• LLM 调用失败 检查是否在 .env 中填写了正确的 API key，或你的 Key 是否仍在有效期内。
• 一直执行 Step1 可能是 Key 余额不足，或者模型响应超时。
• UI Demo 启动后无法访问 可能是端口占用，或者 Gradio 版本过旧。尝试更新 gradio 或换一个端口。
• 长时间卡住/超时 检查网络环境，LLM 请求或浏览器加载是否耗时过长。
• DeepSeek 模型 需要添加 use_vision=False 字段，因为当前 DeepSeek 模型可能不支持视觉输入。

总结

Browser-use 让 AI 与浏览器的结合变得更便捷，能够快速构建出'会浏览网页、抓取信息、进行动态交互'的智能体。只需简单的配置与几行代码，就能让 LLM 自动处理网页操作，为项目带来更多可能性。

• 使用 Python >= 3.11；
• 安装并配置好 Playwright；
• 在主代码中初始化 Agent 并提供 LLM；
• 在 .env 中存放 API Keys；

参考资料

• GitHub: browser-use/browser-use
• 官网：browser-use.com
• 官方文档：docs.browser-use.com/introduction