一、项目背景与核心作用

browser-use 是一个开源的浏览器自动化工具，通过集成 AI 智能体（如 GPT、Claude、DeepSeek 等大型语言模型），实现用自然语言控制浏览器操作。其核心目标是 简化网页交互自动化，尤其适合复杂、多步骤的任务（如数据抓取、表单填写、跨网站操作等）。

与传统工具（如 Selenium）的对比优势：

1. AI 驱动决策：通过自然语言指令生成操作流程，无需手动编写脚本。
2. 自我纠错能力：执行中自动检测错误并调整策略（如元素定位失败时尝试替代方案）。
3. 多模态支持：结合 HTML 解析与视觉模型，处理动态页面更鲁棒。
4. 跨任务持久化：支持保持浏览器会话状态，实现链式任务（如登录后连续操作）。

5. 结构化网页理解：将网页DOM元素转换为简洁的文本索引，大幅降低LLM处理开销，提升操作准确性。

6. 多场景支持：适用于电商比价、求职申请、监控报警等自动化任务。

7. 与 MCP 客户端集成：支持 Model Context Protocol（MCP），可与 Claude Desktop、其他 MCP 客户端互联互通

二、核心功能

1. 任务分解：

   • 用户输入自然语言指令（如“查找伦敦到纽约的最便宜航班”）。
   • AI 模型（如 GPT-4）将指令分解为可执行的浏览器操作步骤（打开网站→输入搜索条件→提取结果）。

2. 浏览器控制引擎：

   • 基于 Playwright 实现浏览器自动化（支持 Chrome/Firefox 等）。
   • 自动解析页面元素（按钮、输入框），生成 XPath 或 CSS 选择器。

3. 自我纠正机制：

   • 若操作失败（如元素未加载），自动重试或调用备用方案。
   • 记录操作历史，便于回溯调试。

4. 输出结构化数据：
   结果可保存为 CSV、PDF 或直接推送到数据库。

三、工作原理

browser-use 通过解析浏览器的 userAgent 字符串和其它相关环境变量，结合内置的解析规则，提取浏览器名称、版本号和操作系统信息。部分库会融合特性检测（feature detection）以验证浏览器实际支持的功能，而不仅仅局限于 userAgent 的静态信息。

1. 系统架构

1. Agent：接收任务描述，调用 LLM 生成执行指令。

2. Controller：解析指令，映射到标准浏览器操作（点击、填表、抓取等）。

3. Playwright：真正启动无头/有头浏览器，执行 Controller 下发的操作。

这种三层分离设计，使得业务逻辑、指令解析与浏览器执行相互隔离，便于扩展与调试。

┌────────────┐     ┌───────────┐     ┌──────────────┐
│  AI Agent  ├─→──┤ Controller ├─→───┤ Playwright   │
│ (LLM 调用) │    │            │     │ 浏览器实例    │
└────────────┘     └───────────┘     └──────────────┘

2. 工作流程

3. 关键技术

• 元素定位：通过XPath/CSS选择器映射LLM返回的索引到具体元素5。

• 状态检测：操作后对比DOM哈希值判断页面是否变化，决定是否重新规划步骤5。

• 错误处理：自动重试、回退、上下文重建，提高鲁棒性1。

四、部署

1. 项目安装

1）安装依赖

pip install browser-use

安装界面：

⚠️过程有点慢啊，有点慢。。。

2）安装浏览器支持

安装playwright依赖

npm i -D @playwright/test

安装浏览器驱动

npx playwright install  # 安装浏览器驱动

安装界面：

🧩你也可以选择

只安装某个指定的浏览器：

命令	简介	默认行为
playwright install	安装 Playwright 所有支持的浏览器（Chromium、Firefox、WebKit）	自动下载三种浏览器到本地缓存
playwright install chromium --with-deps --no-shell	只安装 Chromium 浏览器，并添加依赖项，同时禁用 shell 执行。如果需要测试其他内核，可将 chromium 替换为 firefox 或 webkit。	更精细控制安装行为，适用于容器和安全环境

⚙️ 参数解析

• chromium 指定只安装 Chromium 浏览器，而不安装其他（例如 Firefox 或 WebKit）。

• --with-deps 安装浏览器运行所需的系统依赖项（比如在 Linux 上的 libX11、glib2、fontconfig 等），防止浏览器运行失败。

• --no-shell 禁用 shell 脚本执行，适合在受限环境中运行，比如 Docker 或 CI/CD，不会触发 shell 命令。

🚀 应用场景建议

• 使用 playwright install： 如果你希望快速安装 Playwright 所有浏览器，并且没有环境限制，是最简单直接的方式。

• 使用 playwright install chromium --with-deps --no-shell： 如果你只需 Chromium，或者在无 shell 支持的容器环境中运行，需要更稳定的依赖环境，就用这个更安全的方式。

 2. Python代码测试

配置LLM密钥（.env文件）

在python环境中创建.env文件，把相关API-key记载其中，以备用程序代码读取：

# .env 文件示例
Silicon_Cloud_API_KEY=sk-xxx
Base_URL=https://api.siliconflow.cn
Model=Qwen/Qwen2.5-72B-Instruct  # 开源替代模型: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="在百度搜索网站，查询mcp，并总结前五条信息",llm = ChatOpenAI(model=os.getenv("Model"), api_key=os.getenv("Silicon_Cloud_API_KEY")),use_vision=False,  # 关闭截图识别以节省成本install_extensions=False,  # 添加此行禁用扩展下载        )result = await agent.run()print(result["output"])  # 输出抓取的数据asyncio.run(main())

执行过程中，提示找不到：langchain-openai ，安装了一下：

pip install langchain-openai

然后执行的情况：

执行逻辑：

键信息提取
1. 1.
   Agent初始化
   
   - 启动了 browser-use agent 0.5.11 ，使用双模型架构：
     - 基础模型： Qwen/Qwen2.5-72B-Instruct
     - 提取模型： Qwen/Qwen2.5-72B-Instruct
   - 支持文件系统访问功能
2. 2.
   任务详情
   
   - 执行任务： 在百度搜索网站，查询mcp，并总结前五条信息
3. 3.
   浏览器启动
   
   - 启动本地Chromium浏览器（通过Playwright）
   - 配置： keep_alive=False ，用户数据目录位于 ~\.config\browseruse\profiles\default
4. 4.
   扩展下载错误
   
   ```
   WARNING  [browser_use.utils] ⚠️ 
   Failed to setup uBlock Origin 
   extension: 
   Failed to download extension: 
   <urlopen error [WinError 10060] 
   由于连接方在一段时间后没有正确答复或连
   接的主机没有反应，连接尝试失败。>
   ```
   - 错误原因 ：uBlock Origin扩展下载超时（网络连接问题）
   - 影响 ：浏览器将缺少广告拦截功能，可能导致搜索结果中出现广告干扰

执行现象，就看到他反复打开这个简易的浏览器：

3、测试结果

我能力不够，驾驭不了。。。。

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

七、附录

1、官方参考文档

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

2、web-ui与browser-use对比

https://github.com/browser-use/web-ui与https://github.com/browser-use/browser-use 这两个项目的对比：

🧠 项目定位对比

🔗 相通之处

• 共同目标：都旨在让 AI 能够控制浏览器，实现网页自动化。

• 技术基础：都使用 Python 和 Playwright 实现浏览器控制。

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

• 可通过 .env 配置 API 密钥与环境参数。

• 支持 MCP 协议：可与 Claude Desktop 等工具集成。

🚀 主要区别

如果你是开发者，想要构建自己的 AI 浏览器代理系统，browser-use 是更底层的选择；如果你希望快速体验或部署一个可视化的 AI 浏览器助手，web-ui 会更友好。