Browser-Use 深度调研：让 AI Agent 像人一样操作浏览器的开源框架

Browser-Use 深度调研：让 AI Agent 像人一样操作浏览器的开源框架

调研时间：2026-08-13
数据来源：GitHub 官方仓库（实时 API）、官方文档 docs.browser-use.com、PyPI、本地实测
项目地址：https://github.com/browser-use/browser-use

目录

1. 项目概况
2. 核心定位与价值
3. 架构与设计理念
4. 核心特性详解
5. 安装与快速上手
6. 用法 Demo
7. 模型支持
8. 竞品对比分析
9. 商业版本与定价
10. 版本演进与兼容性警告
11. 综合评分与选型建议
12. 参考资源

1. 项目概况

Browser-Use 是一个让大语言模型（LLM）驱动真实浏览器完成任务的 Python 框架。你只需描述任务（自然语言），它就能像人一样：

• 打开网页
• 点击按钮
• 填写表单
• 提取数据
• 多步骤完成任务

它目前是AI Agent 浏览器操控领域的绝对头部项目：

• Odysseys 基准测试第一名：87.4% 平均分，超过 OpenAI、Anthropic、Google、Microsoft 的 computer-use agent
• 在 200 个长时程网页任务的基准上领先

2. 核心定位与价值

它解决什么问题？

传统网页自动化（Selenium/Playwright）需要你手写每一步操作：

# Playwright：写死每一步page.goto("https://example.com/login")page.fill("#username","myuser")page.fill("#password","mypass")page.click("#submit")

Browser-Use 则是用对话驱动：

frombrowser_useimportAgent,ChatOpenAI agent=Agent(task="登录 example.com，使用 myuser/mypass，然后发布一条状态",llm=llm,)awaitagent.run()

LLM 自动决定每一步：打开哪个页面、点哪个按钮、填什么内容、出错怎么纠正。

关键区别：是"浏览器操控层"不是"爬虫框架"

Browser-Use 适合的是需要"做事"的场景：填表、点按钮、多步骤流程、交互式任务，而不只是抓数据。

3. 架构与设计理念

3.1 包结构（GitHub main 分支）

browser_use/ ├── agent/ # 核心 Agent 循环（service.py = Agent 类） │ ├── message_manager/ # 消息历史管理 │ ├── system_prompts/ # 系统提示词模板 │ └── prompts.py ├── actor/ # 动作执行器 ├── browser/ # 浏览器会话管理（BrowserSession / BrowserProfile） ├── controller/ # 动作注册器（可扩展自定义工具） ├── dom/ # DOM 解析与元素定位 ├── llm/ # 多提供商 LLM 封装（OpenAI/Google/Anthropic/BrowserUse 自家） ├── tools/ # 内置工具 ├── mcp/ # MCP (Model Context Protocol) 集成 ├── telemetry/ # 遥测（匿名） ├── skills/ # Agent 技能 └── cli.py # CLI 入口

3.2 核心运行循环

用户任务（自然语言） ↓ Agent 类（agent/service.py） ↓ 生成下一步动作（LLM 决策） Controller 动作注册表（打开/点击/输入/滚动/截图...） ↓ Browser 会话（真实 Chrome 通过 CDP 控制） ↓ 观察新页面状态（DOM 摘要 + 可选截图） ↓ Agent 评估结果 → 下一步或完成

这是典型的ReAct（Reasoning + Acting）循环：LLM 每步推理 → 执行动作 → 观察结果 → 再推理。

3.3 本地实测的本机 API（0.12.9）结构

本机实测发现 0.12.9 已重构为 Browser Harness 架构：

frombrowser_use.agent.serviceimportAgent# Agent 类frombrowser_use.browserimportBrowserSession,BrowserProfile# 浏览器会话frombrowser_use.llm.modelsimportChatOpenAI# LLM 封装

4. 核心特性详解

4.1 Agent：智能任务执行 🧠

• 自然语言任务驱动，自动分解为多步浏览器操作
• 支持max_steps限制、中断/暂停控制
• 内置结构化输出（AgentStructuredOutput）：直接得到 JSON 而不是文本
• 支持技能（Skills）：注册子技能作为可调用的 action

4.2 自定义工具扩展 🔧

frombrowser_useimportTools tools=Tools()@tools.action(description='计算两个数字之和')defcustom_add(a:int,b:int)->int:returna+b agent=Agent(task="...",llm=llm,tools=tools)

4.3 浏览器控制 🌐

• 默认启动全新 Chromium 实例
• 支持复用真实 Chrome profile（保留登录态）：

# examples/browser/real_browser.pybrowser=BrowserProfile(chrome_instance_path="/Applications/Google Chrome.app/Contents/MacOS/Google Chrome",# 使用你的真实 profile，登录态保留)

• 支持无头模式、视口配置、代理设置
• 远程浏览器（Cloud Browser）支持隐身指纹与代理轮换

4.4 认证与登录 🔐

• 真实浏览器 profile 复用：保留 cookie 和会话
• 临时收件箱 AgentMail：注册临时账户收验证码
• profile sync：本地 profile 同步到远程浏览器

4.5 CLI（Browser-Use CLI 3.0）🖥️

0.13.3 起发布的 CLI 3.0 由 Browser Harness 驱动：

browser-use install # 安装 Chromium + 依赖 browser-use open <url> # 打开页面 browser-use click N # 点击元素 browser-use type ... # 输入文本 browser-use extract ... # LLM 提取数据 browser-use eval ... # 执行 JS browser-use connect # 连接现有 Chrome（CDP） browser-use sessions # 会话管理 browser-use profile # profile 管理

安装了browser-use skill后，Claude Code / Codex / Cursor / Hermes 等 Agent 可以直接通过 skill 控制浏览器。

4.6 MCP 集成

内置 MCP server，任何支持 MCP 的 Agent 都可以接入 Browser-Use 的浏览器能力。

4.7 反爬与验证码

• 开源版：普通浏览器自动化，反爬能力有限
• Cloud 版：隐身浏览器指纹 + 代理轮换 + CAPTCHA 自动解决（官方明确推荐用 Cloud 解决反爬）

4.8 遥测

默认开启匿名遥测（可关闭），符合现代开源工具标准。

5. 安装与快速上手

安装（官方推荐方式）

# 1. 创建环境（推荐 Python 3.12）pipinstalluv uv venv--python3.12source.venv/bin/activate# Windows: .venv\Scripts\activate# 2. 安装 browser-use 与 Chromiumuv pipinstallbrowser-use uvx browser-useinstall

配置 LLM

创建.env文件，填入你的模型 API key。支持：

首次运行

frombrowser_useimportAgent,ChatOpenAIfromdotenvimportload_dotenvimportasyncio load_dotenv()asyncdefmain():llm=ChatOpenAI(model="gpt-4o")# 也可用 ChatGoogle / ChatAnthropic / ChatBrowserUseagent=Agent(task="Find the number 1 post on Show HN",llm=llm,)awaitagent.run()if__name__=="__main__":asyncio.run(main())

本地实测要点（macOS）

• Python 3.11+ 是硬性要求（低于 3.11 直接无法安装）
• browser-use install需下载 Chromium（国内网络可能较慢，可用系统 Chrome 替代：BrowserProfile(chrome_instance_path=...)）
• Agent API 是async（await agent.run()），不要漏掉asyncio.run()
• 免费开源模型（如本地 Ollama 或第三方免费 API）可以跑，但复杂任务正确率明显低于商业模型

6. 用法 Demo

6.1 最简示例

frombrowser_useimportAgent,ChatGoogle agent=Agent(task="搜索 '今日天气' 并告诉我结果",llm=ChatGoogle())awaitagent.run()

6.2 填表单

frombrowser_useimportAgent,ChatOpenAI agent=Agent(task="打开 jobs.example.com，用我的简历信息填写这份求职申请",llm=ChatOpenAI(model="gpt-4o"),)awaitagent.run()

6.3 数据提取导出 CSV

frombrowser_useimportAgent,ChatBrowserUse agent=Agent(task="提取我的粉丝列表中的结构化数据并导出为 CSV",llm=ChatBrowserUse(),)awaitagent.run()

6.4 结构化输出（JSON Schema）

frombrowser_useimportAgent,AgentStructuredOutputfrompydanticimportBaseModelclassProduct(BaseModel):name:strprice:floatin_stock:boolagent=Agent(task="提取这个商品页的信息",llm=llm,output_model_schema=Product,# 直接得到结构化对象)

6.5 复用真实 Chrome（登录态）

frombrowser_useimportAgent,BrowserProfile,ChatOpenAI browser=BrowserProfile(chrome_instance_path="/Applications/Google Chrome.app/Contents/MacOS/Google Chrome",user_data_dir="~/.chrome-profile-with-login",# 你的带登录态的 profile)agent=Agent(task="检查我的 Gmail 新邮件",llm=llm,browser=browser)awaitagent.run()

6.6 自定义工具

frombrowser_useimportAgent,Tools tools=Tools()@tools.action(description='获取当前股票价格')defget_stock_price(ticker:str)->str:returnf"{ticker}: $100.00"# 这里接真实 APIagent=Agent(task="检查 AAPL 股价并搜索相关新闻",llm=llm,tools=tools)awaitagent.run()

6.7 CLI 方式（配合 Agent 使用）

# 交给 Agent（Claude Code/Codex/Cursor/Hermes）执行browser-useopenhttps://example.com browser-use click2browser-usetype"Hello"--element3browser-use extract--query"页面上的主要内容"

6.8 QA 自动化

agent=Agent(task="QA 测试我的本地网站，报告任何 bug、可用性问题和视觉不一致",llm=llm,)awaitagent.run()

7. 模型支持

7.1 ChatBrowserUse（自家优化模型）🔥

Browser-Use 官方推出了专门为浏览器自动化优化的模型：

• bu-*系列：任务完成速度比普通模型快 3-5 倍
• 通过一个BROWSER_USE_API_KEY即可访问 Claude/GPT/Gemini 多个模型（provider-prefix 格式）

frombrowser_useimportAgent,ChatBrowserUse llm=ChatBrowserUse(model='anthropic/claude-sonnet-4-6')# 或 'openai/gpt-5.5'agent=Agent(task='...',llm=llm)

7.2 开源预览模型

llm=ChatBrowserUse(model='browser-use/bu-30b-a3b-preview')

配合官方默认系统提示词直接可用，无需额外自定义。

7.3 常规提供商

8. 竞品对比分析

8.1 四工具横向对比（调研当日实时数据）

8.2 与 Playwright / Selenium 的区别

核心结论：Browser-Use 不是来替代 Playwright/Selenium 的，而是补上"AI 自主决策"这一层。生产级爬虫和精确测试仍然用 Playwright/Selenium 更可控。

8.3 各自的不可替代优势

9. 商业版本与定价

9.1 双版本策略

9.2 API 版本

• API V4：推荐，高精度，适合长复杂工作流（当前主推 gpt-5.6-luna 模型）
• API V2：低成本、速度优先，精度较低

9.3 授权要点（MIT 许可）

• 开源版 MIT 许可 → 可自由商用、修改
• 注意区分：Cloud 服务有自己的 ToS 和隐私政策（非 MIT）

10. 版本演进与兼容性警告 ⚠️

10.1 API 正在快速重构（重要）

踩坑实测：

• 本机实测 0.12.9：from browser_use import Browser, LLM会报 ImportError
• from browser_use.agent.service import Agent可用，但browser_use.browser.service已不存在
• 老教程代码大概率失效，看文档一定要对版本（docs.browser-use.com的 Get Started 是 0.13.x 标准）

10.2 免费模型使用注意事项

• 开源版免费，但需要自带 LLM API key（OpenAI/Google/Claude 或本地 Ollama）
• 用第三方免费 API 兼容模型可以跑通，但：
  • 复杂任务正确率明显下降
  • 响应可能超时（本地实测 hy3-free 模型 5 分钟未完成 4 步任务）
• 想要高准确率建议用官方bu-*模型（有免费额度）

11. 综合评分与选型建议

11.1 评分（1-10）

11.2 选型建议

11.3 适合你吗？

适合：

• 想用自然语言让 AI 完成网页操作（AI Agent 场景）
• 做 Web QA 自动化
• 把浏览器能力接入 Claude Code / Codex / Cursor 等编码 Agent
• 需要结构化数据提取 + 后续行动（不只抓数据）

不适合：

• 大规模数据采集（数据抓取用 Crawl4AI/Scrapling 更高效）
• 对每一步都要精确控制的场景（用 Playwright 写死更可靠）
• 免费低成本大批量任务（LLM token 成本不低）

12. 参考资源

• GitHub：https://github.com/browser-use/browser-use（108,967 stars, MIT）
• 官方文档：https://docs.browser-use.com
• 官方主页：https://browser-use.com
• Cloud 控制台：https://cloud.browser-use.com
• PyPI：https://pypi.org/project/browser-use/（v0.13.7）
• Odyssey 榜：https://odysseysbench.com/leaderboard

报告完 · Happy Browsing!