Browser-use：Python 智能浏览器自动化 AI 工具实战

2. Browser 配置

Browser 负责底层浏览器行为，分为 BrowserConfig 和 BrowserContextConfig。官方推荐「1 个 Agent 对应 1 个 Browser 和 1 个 Context」以保证稳定性。

BrowserConfig 示例：

from browser_use import BrowserConfig
config = BrowserConfig(
    headless=False,  # 显示浏览器窗口
    disable_security=True  # 禁用安全限制
)
browser = Browser(config=config)

BrowserContextConfig 示例：

from browser_use.browser.context import BrowserContextConfig
context_config = BrowserContextConfig(
    cookies_file="cookies.json",  # 持久化 Cookie
    wait_for_network_idle_page_load_time=3.0,
    viewport_expansion=500  # 视口扩展范围
)

3. 输出与历史追踪

任务执行后，可以通过 history 对象获取详细信息，包括访问过的 URL、截图路径、提取的内容及错误日志等。

实战示例

1. 基础用法

最简单的场景是定义一个任务，让 Agent 去打开网页并抓取数据。

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",
        llm=llm
    )
    result = await agent.run()
    print('result:', result)

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

这里的关键在于 task 的描述要清晰，LLM 会根据描述拆解动作序列。

2. 调用本地 Chrome

如果需要保留登录状态或使用特定插件，可以指定本地 Chrome 实例路径：

from browser_use import Browser, BrowserConfig

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

3. 结构化输出

为了便于后续处理，建议使用 Pydantic 模型约束返回格式。

from pydantic import BaseModel
from typing import List
from browser_use import Controller

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

class Posts(BaseModel):
    posts: List[Post]

controller = Controller(output_model=Posts)
agent = Agent(task=task, llm=model, controller=controller)
history = await agent.run()
result = history.final_result()

4. 多 Agent 协作

复杂任务可以拆分为多个 Agent 并行或串行执行，每个 Agent 专注一个子目标。

agent1 = Agent(task="搜索 Vue 相关文章", llm=llm, use_vision=False)
agent2 = Agent(task="搜索 React 相关文章", llm=llm, use_vision=False)
# 分别运行...

UI 演示 (Gradio)

如果想快速验证效果，可以用 Gradio 搭建一个简单的 Web 界面。

import gradio as gr
import asyncio
from browser_use import Agent

async def run_browser_task(task: str) -> str:
    try:
        agent = Agent(task=task, llm=llm, use_vision=False)
        result = await agent.run()
        return result.final_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_input = gr.Textbox(label='Task Description', lines=3)
                submit_btn = gr.Button('Run Task')
            with gr.Column():
                output = gr.Textbox(label='Output', lines=10)
            submit_btn.click(fn=lambda t: asyncio.run(run_browser_task(t)), inputs=[task_input], outputs=[output])
    return interface

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

常见问题排查

• 报错 playwright not installed：确保执行过 playwright install chromium。
• Python 版本过低：必须 >= 3.11，低版本无法运行。
• LLM 调用失败：检查 .env 中的 Key 是否正确且有效。
• DeepSeek 模型报错：该模型暂不支持视觉输入，需设置 use_vision=False。
• UI 启动无法访问：可能是端口占用，尝试更换端口或更新 Gradio 版本。
• 任务卡住：检查网络延迟或 LLM 响应超时，适当增加 retry_delay。

总结

Browser-use 大大降低了构建具备浏览能力的 AI Agent 的门槛。通过简单的配置，就能让 LLM 自动完成复杂的网页交互任务。关键在于合理设置 Agent 参数、处理好 API 密钥，并根据实际需求选择本地或云端浏览器模式。