|
Browser-use 详细介绍&使用文档 一、概述 Browser-use 是一个旨在将 AI “智能体”（Agents）与真实浏览器进行交互的 Python 库，可以轻松实现浏览器自动化。在配合 LLM（如 GPT 系列）使用时，浏览器-use 能够让你的智能体发起对网页的访问、操作页面元素、收集信息、执行脚本等，从而扩展 AI 应用的落地场景。 目前 Browser-use 最低需要 Python 3.11 及以上，才能正常使用其封装的 Playwright 功能。 1. 技术栈:LangChain（AI Agent框架） Playwright（浏览器自动化） dotenv（环境变量 key） 异步I/O架构 2. 流程图graph TD A[用户任务] --> B[LLM 解析] B --> C[Agent 决策/规划] C --> D[浏览器动作] C --> E[数据提取页面信息] D --> F[Playwright 调用] F --> H[浏览器实例] E --> G[模型处理] G --> I[(结构化结果输出)] browser-use：语言模型 -> 决策/控制 -> 浏览器执行 -> 数据回传 -> 模型后处理 二、关键特性 1. 简单的 Agent 接口通过 Agent 类即可快速创建带浏览器交互能力的智能体，赋能 LLM 与网页之间的复杂操作。 1.1. Agent 接口参数 参数名称 类型 默认值 说明task str 无（必传） 代理需要执行的任务描述。 llm BaseChatModel (LangChain Model) 无（必传） 主语言模型，执行对话和工具调用。 controller object (Controller 实例) 默认Controller 自定义函数/工具调用的注册表。可参考“Custom Functions”。 use_vision bool True 是否启用视觉能力（截图+分析）。如模型支持图像输入，可显著提高网页理解；也会产生额外 token 成本。 save_conversation_path str 无 若指定，则会将对话历史保存在该路径下，用于调试或审计。 system_prompt_class type (自定义 System Prompt 类) 默认Prompt 类 自定义系统提示词逻辑，参考“System Prompt”定制化说明。 browser Browser (Browser-use 实例) 无 重用已创建的 Browser 实例；若不提供，则 Agent 每次 run() 时会自动创建并关闭新的浏览器。 browser_context BrowserContext (Playwright 实例) 无 使用已有的浏览器上下文 (Context)。适合需要维护持久会话 (cookies/localStorage) 的场景。 max_steps int 100 允许 Agent 执行的最大步骤数，防止死循环或无限操作。 planner_llm BaseChatModel 不启用 Planner 规划用语言模型，与主 LLM 分开；可用较小/便宜模型处理高层策略。 use_vision_for_planner bool True Planner 是否能使用视觉功能（若主 LLM 已开启视觉，这里可独立关闭以节省资源）。 planner_interval int 1 Planner 模型执行间隔。即每多少步调用一次 Planner 作重新规划。 message_context str 无 额外的任务/上下文信息，辅助 LLM 更好理解或执行任务。 initial_actions list[dict] 无 初始化时要执行的动作列表（无需经 LLM 调用），格式为 {action_name: {...}}。 max_actions_per_step int 10 每个步骤里可执行的最大动作数，用于控制 Agent 过度频繁操作。 max_failures int 3 允许 Agent 失败的最大次数，超过则停止任务。 retry_delay int (秒) 10 当遇到限流 (rate limit) 或可重试的错误时，等待多少秒后再次尝试。 generate_gif bool 或 str (路径) False 是否录制浏览器过程生成 GIF。为 True 时自动生成随机文件名；为字符串时将 GIF 存储到该路径。 2. 多语言模型支持 可轻松集成 LangChain 提供的各类 LLM（如 OpenAI、Anthropic、Cohere 等）进行高级任务管理。 模型 所属/类型GPT-4o OpenAI Claude Anthropic Azure Azure OpenAI Gemini Google Generative AI DeepSeek-V3 DeepSeek DeepSeek-R1 DeepSeek Ollama 本地模型 (需安装 Ollama) 3. 基于 Playwright 默认使用 Playwright 进行浏览器的无头启动、页面操作和渲染控制；对常见网页交互场景提供友好的抽象。 4. 云端版 & 本地版除了本地安装运行外，Browser-use 也提供托管版本，可以直接在云端执行，无需配置本地环境。 5. Gradio UI 测试内置示例可以利用 Gradio 搭建简易的可视化界面，方便开发者快速测试并可视化浏览器自动化流程。 三、环境准备 1. Python 版本需要 Python 3.11 或更高版本。 推荐在独立虚拟环境(venv)或管理工具（如 uv）中配置环境。 1.1. 推荐使用 pyenv 管理 pythonGithub：https://github.com/pyenv/pyenv # pyenv 根目录 export PYENV_ROOT="$HOME/.pyenv" export PATH="$PYENV_ROOT/bin:$PATH" # 初始化 eval "$(pyenv init -)"此操作会自动下载 Chromium 无头浏览器，用于后续的浏览器自动化。 2.3. 配置 LLM API Keys（可选）在 .env 文件中填写相应的 OPENAI_API_KEY=、ANTHROPIC_API_KEY= 等 Key。 OPENAI_API_KEY=sk-xxxxxxx如果使用其他 LLM，需要参考 LangChain 文档或对应服务提供的说明进行配置。 四、Demo 示例 1. 简单示例 #!/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() llm = ChatOpenAI(model="gpt-4o") async def main(): 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()) 1.1. 核心流程:从 .env 中读取 OPENAI_API_KEY 等信息，初始化 ChatOpenAI。 创建一个 Agent，指定 task 即描述智能体要完成的任务。 调用 agent.run() 发起执行，包括浏览器自动化与 LLM 结合的流程。 五、常见操作 1. 修改 LLM 模型 llm = ChatOpenAI(model="gpt-3.5-turbo")或 llm = ChatOpenAI(model="gpt-4o") 2. 在 .env 中设置 API Key OPENAI_API_KEY=sk-xxxx ANTHROPIC_API_KEY=xxxxxx如果你还需使用其他模型（如 Cohere、HuggingFace Hub），可一并配置对应的 Key，并在 Python 脚本中初始化相应的 LLM 对象。 3. 官方文档示例在 docs.browser-use.com/introduction 可以找到更多场景示例，比如如何定制 browser-use 的 Tools、配合 PythonREPLTool 扩展执行 Python 脚本等。 六、UI 测试方式如果你想通过简单的 UI（如 Gradio）来测试 Browser-use，官方示例提供了 examples/ui/gradio_demo.py。 1. 安装 Gradio uv pip install gradio 2. 运行示例 python examples/ui/gradio_demo.py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。 七、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，如果你使用的是 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。 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。 八、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； (提示：黑河市麦克技术服务有限公司为您提供黑河市专业的劳务派遣公司、黑河市劳务外包公司、黑河市最好的劳务派遣公司、黑河市劳务服务外包公司、黑河市物业管理服务、黑河市保安服务、黑河市人事代理、黑河市人力资源外包服务公司、黑河市区域人力资源服务商) |
