browser-use：连接大模型与网页自动化的开源 Python 库

自主网页浏览：认识 browser-use

传统 Web 自动化一直依赖僵化的脚本、固定 CSS 选择器以及自定义 API 集成。一旦网站重新设计布局或更改了类名，传统自动化脚本就会立即失效。

browser-use 是一个开源 Python 库，旨在解决这种脆弱性问题。它将大语言模型（LLM）与 Playwright 等浏览器自动化工具配对，使 AI Agent 能够动态地导航、交互并完成任意网站上的多步骤任务。

browser-use 充当 AI 模型与浏览器驱动之间的智能层。它不需要开发者编写硬编码的点击路径，而是向 LLM 提供视觉和 DOM 上下文。然后由 LLM 决定下一步操作——比如点击按钮、输入文本或滚动页面——直到完成目标任务。

由 browser-use 驱动的 AI Agent 不依赖硬编码的选择器。它们动态读取页面状态，能够填写复杂表单、解决交互式 UI 流程，并处理站点变化而不会崩溃。

browser-use 内置支持 Model Context Protocol（MCP）。这使得 Claude Desktop、Cursor 和 CLI 编码 Agent 等 AI 助手能够在其工具集中原生触发浏览器自动化。

该库与模型无关。你可以使用商业 API（如 OpenAI GPT-4o 或 Anthropic Claude 3.5 Sonnet）来驱动浏览器 Agent，也可以通过 Ollama 完全离线运行本地 LLM。

只需几行 Python 代码即可开始：

from langchain_openai import ChatOpenAI
from browser_use import Agent
import asyncio

async def main():
    agent = Agent(
        task="Find a flight from NYC to London on Kayak for next Tuesday",
        llm=ChatOpenAI(model="gpt-4o"),
    )
    result = await agent.run()
    print(result)

asyncio.run(main())

随着软件工作流从手动点击操作转向自主 Agent 执行，将 LLM 与现实世界接口连接起来的库正在成为基础设施工具。通过赋予 AI 模型对浏览器环境的完全控制权，browser-use 正在解锁新一代智能 Web 自动化。

想构建自己的浏览器 AI Agent？可以查看 browser-use GitHub Repository。