Browser-Use 实战指南：让 AI 自己操控浏览器的 7 个实用场景

Browser-Use 实战指南：让 AI 自己操控浏览器的 7 个实用场景

你打开浏览器，搜索、填表、采集数据、截图、下载文件。这些每天重复的动作，能不能让 AI 替你干？

Browser-Use给了一个相当干脆的答案：把浏览器交给 AI，你只告诉它"做什么"，剩下的事它自己搞定。

今天这篇不讲概念，直接上代码。场景覆盖从最简单的页面导航到多步自动化工作流，每段代码都标注了说明和踩坑点。

一、快速上手

安装很简单，Python 3.11+ 环境：

pipinstallbrowser-use# 安装 Chromium（首次运行需要）playwrightinstallchromium

引入一个 LLM 后端。官方推荐用ChatBrowserUse（专为浏览器任务优化，速度快 3-5 倍），也可以用 OpenAI/Anthropic/Google 的模型：

frombrowser_useimportAgent,ChatBrowserUsefromdotenvimportload_dotenvimportasyncio load_dotenv()# 从 .env 读 API Keyasyncdefmain():llm=ChatBrowserUse()# 最推荐，0.3 美金/百万 tokenagent=Agent(task="打开 browser-use 的 GitHub 首页，告诉我 star 数量",llm=llm)awaitagent.run()if__name__=="__main__":asyncio.run(main())

跑完后终端会打印出 agent 每一步的行为——它自己导航、等待页面加载、提取文字、做出判断。你什么都不用管。

如果你想用 uv 快速初始化工程：

uv init&&uvaddbrowser-use&&uvsyncuvx browser-use init--templatedefault# 生成示例文件

二、7 个实战场景

场景 1：自动化表单填写

这是最直接的场景。想象一下每天早上要登录后台、填写日报的场景：

frombrowser_useimportAgent,ChatBrowserUse,Browserimportasyncioasyncdeffill_report():browser=Browser()agent=Agent(task=""" 1. 打开 https://xxx.com/login 2. 用账号 admin@example.com / password123 登录 3. 点击"日报填写" 4. 在"今日工作"输入框填写：完成了 API 文档更新和三个 bug 修复 5. 在"明日计划"输入框填写：开始用户权限模块开发 6. 点击提交按钮 """,llm=ChatBrowserUse(),browser=browser)awaitagent.run()browser.close()asyncio.run(fill_report())

关键点：把任务写成清晰的步骤列表，agent 会自动识别页面元素。如果步骤 4-5 的输入框有明确的 label（比如 “今日工作”），它几乎不会定位错。

如果表单有验证码？browser-use Cloud 版内置了验证码解析，开源版可以配合 2Captcha 等第三方服务。

场景 2：网页数据抓取（对比传统方式）

传统爬虫用requests+BeautifulSoup，遇到 JS 渲染的页面就抓瞎。用 browser-use 就不存在这个问题——它操控的是真实浏览器。

frombrowser_useimportAgent,ChatBrowserUsefrompydanticimportBaseModelimportasyncioclassProductInfo(BaseModel):name:strprice:strrating:strstock_status:strclassProductList(BaseModel):products:list[ProductInfo]asyncdefscrape_products():agent=Agent(task="打开京东，搜索'机械键盘'，列出前 10 个商品的名字、价格、评分和库存状态",llm=ChatBrowserUse(),output_schema=ProductList# 结构化输出！)result=awaitagent.run()forpinresult.output.products:print(f"{p.name}| ¥{p.price}|{p.rating}|{p.stock_status}")asyncio.run(scrape_products())

对比传统方式：

对于需要登录才能抓取的站，用use_cloud=True或者复用本地 Chrome profile（见场景 7）。

场景 3：多步骤操作（登录 → 导航 → 下载）

真实场景往往是多个步骤串在一起，比如每天上班第一件事：登录后台 → 导出昨日数据 → 下载报表。

frombrowser_useimportAgent,ChatBrowserUseimportasyncioasyncdefdaily_report_download():agent=Agent(task=""" 1. 打开公司后台 https://dashboard.example.com 2. 用账号 admin@company.com / MyP@ss2026 登录 3. 等待页面加载完成 4. 点击左侧菜单"数据报表" 5. 在日期选择器中选择"昨天" 6. 点击"导出 CSV" 7. 等待文件下载完成 """,llm=ChatBrowserUse())awaitagent.run()asyncio.run(daily_report_download())

browser-use 的 Agent 会自动：

• 等待页面加载（不会在 loading 状态就操作）
• 滚动到可视区域再点击
• 处理弹窗和模态框
• 重试失败步骤

踩坑提醒：文件下载路径需要设置 Chrome 的下载目录。默认下载到系统 Downloads，建议显示指定：

frombrowser_useimportBrowser,BrowserConfig config=BrowserConfig(download_path="/path/to/your/downloads")browser=Browser(config=config)

场景 4：与 LLM 配合的自定义 Agent 流程

有时候标准的 Agent 不够用，你需要注入自定义逻辑。browser-use 提供了Tools机制：

frombrowser_useimportAgent,ChatBrowserUse,Tools tools=Tools()@tools.action(description="将文本写入本地文件，filename是文件名，content是内容")defsave_to_file(filename:str,content:str)->str:withopen(f"/data/{filename}","w",encoding="utf-8")asf:f.write(content)returnf"已保存到 /data/{filename}"asyncdefcustom_flow():agent=Agent(task=""" 1. 打开知乎热榜 2. 获取排名前 5 的热点话题及摘要 3. 对每个话题调用 save_to_file，保存到 today_hot_{序号}.md """,llm=ChatBrowserUse(),tools=tools)awaitagent.run()asyncio.run(custom_flow())

想象空间很大：

• send_email(to, subject, body)→ 抓取数据后自动发邮件
• database_query(sql)→ 把网页数据和本地数据库联动
• wechat_notify(msg)→ 异常时发微信通知
• slack_post(channel, msg)→ 汇报到团队频道

场景 5：定时巡检/监控网页变化

结合系统的 cron，你可以让 browser-use 定期检查某个页面，发现变化就通知自己：

# monitor_price.pyfrombrowser_useimportAgent,ChatBrowserUseimportjson CHECK_URL="https://item.jd.com/xxxxx.html"TARGET_PRICE=2000.0asyncdefcheck_price():agent=Agent(task=f"打开{CHECK_URL}，提取当前价格数字",llm=ChatBrowserUse())result=awaitagent.run()# result 的文本里包含了价格信息if"¥"instr(result):# 解析价格逻辑...print("价格有变动，通知!")

配合 cron 每天跑一次：

# crontab09* * *cd/path/to/project&&python monitor_price.py

如果加上自定义工具里的send_email或wechat_notify，就是一个完整的价格监控系统。

场景 6：截图 + 视觉分析

browser-use 可以截图并交给 LLM 分析。这对 UI 自动化测试、页面完整性检查非常有用：

frombrowser_useimportAgent,ChatBrowserUseasyncdefui_audit():agent=Agent(task=""" 1. 打开 https://your-app.com/dashboard 2. 截取当前页面全屏截图 3. 分析截图，检查： - 所有图表是否正常渲染 - 是否有 404 或报错信息 - 页面布局是否错乱 4. 将检查结果输出为结构化报告 """,llm=ChatBrowserUse())awaitagent.run()asyncio.run(ui_audit())

这对需要每周做 UI 巡检的团队来说，能省下大量人工。配合 CI 管道，部署后是自动化的测试环节。

场景 7：多平台内容自动发布

这是公众号运营者的终极需求——写一篇文章，自动发布到多个平台。

browser-use 需要复用浏览器的登录状态，才能操作需要登录的平台（如知乎、掘金、CSDN）。

方案一：复用本地 Chrome 用户数据：

frombrowser_useimportBrowser,BrowserConfig config=BrowserConfig(chrome_instance_path="/Applications/Google Chrome.app/Contents/MacOS/Google Chrome",user_data_dir="/path/to/your/chrome/profile")browser=Browser(config=config)

这样 browser-use 使用的就是你已经登录了知乎、掘金的浏览器实例，免去了每一步都要登录的麻烦。

方案二：用 Cloud 版的cloud_profile_id：

@sandbox(cloud_profile_id='your-profile-id')asyncdefpublish_task(browser:Browser):agent=Agent(browser=browser,llm=ChatBrowserUse())# ...

然后写个发布 Agent：

asyncdefcross_platform_publish(content_md:str):agent=Agent(task=f""" 1. 打开知乎编辑器 2. 将以下文章内容填入编辑器（Markdown 内容会自动渲染）：{content_md[:200]}# 截取前 200 字示意 3. 选择"科技"话题标签 4. 点击发布 5. 切换到掘金编辑器，重复 2-4 6. 切换到 CSDN 编辑器，重复 2-4 7. 汇总每个平台的发布状态 """,llm=ChatBrowserUse())awaitagent.run()

这是我对 OpenWrite 替代方案的调研结论——browser-use 理论上可以实现全自动多平台分发，但稳定性不如专门的平台（因为网页改版会导致步骤失效）。适合作为补充方案，而不是主干。

三、最佳实践

稳定性优化

1. 任务描述要具体

   • ❌ “检查京东页面”
   • ✅ “打开京东，搜索’机械键盘’，提取前 5 个结果的价格和商品名”

2. 给每一步增加安抚时间
   使用Browser的默认配置已经内置了等待机制，不需要手动time.sleep()。

3. 设置超时避免卡死

   agent=Agent(task=...,llm=llm,max_actions_per_step=50)

4. 定期清理浏览器缓存
   browser-use 每次运行默认开新浏览器上下文，不会留下缓存干扰。

反爬与检测规避

• 开源版默认的 Chromium 指纹比较明显，容易被反爬系统识别
• Cloud 版提供 stealth 浏览器（指纹混淆 + 代理轮换）
• 如需自建：考虑undetected-chromedriver模式，或者用BrowserConfig自定义 user-agent 和 viewport

错误处理

try:awaitagent.run()exceptExceptionase:print(f"执行失败:{e}")# 自动截图保存现场，方便排查awaitbrowser.take_screenshot("failure_screenshot.png")

四、对比其他方案

一句话总结：传统框架适合你知道每一步要干什么的场景，browser-use 适合你知道要达成什么目标但不确定中间步骤的场景。两者不冲突，可以互补。

写在最后

browser-use 目前 GitHub 79k+ star，社区活跃度非常高。它的真正价值不在于替代传统自动化框架，而在于把"浏览器操作"这件事的门槛降到了自然语言层面。

以前写一个爬虫要分析 DOM、调试 XPath、处理反爬。现在？“帮我把这个页面的数据整理成表格”——AI 替你干了。

但也要清醒：它不适合高频率、高可靠性的生产流水线。LLM 的不确定性意味着偶尔会"抽风"，比如点错按钮、填错位置。关键场景建议混合使用：browser-use 做快速原型验证，Playwright 做稳定的核心流程。

工具是手段，不是目的。知道什么时候用哪个，比纠结哪个更强更重要。

如果你已经用起来了，或者有更骚的操作，欢迎来聊。