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():llmChatBrowserUse()# 最推荐0.3 美金/百万 tokenagentAgent(task打开 browser-use 的 GitHub 首页告诉我 star 数量,llmllm)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 inituvaddbrowser-useuvsyncuvx 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():browserBrowser()agentAgent(task 1. 打开 https://xxx.com/login 2. 用账号 adminexample.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 ,llmChatBrowserUse(),browserbrowser)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requestsBeautifulSoup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():agentAgent(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,llmChatBrowserUse(),output_schemaProductList# 结构化输出)resultawaitagent.run()forpinresult.output.products:print(f{p.name}| ¥{p.price}|{p.rating}|{p.stock_status})asyncio.run(scrape_products())对比传统方式对比项requests BS4browser-useJS 渲染❌ 需要额外处理✅ 天然支持反爬突破❌ 需要代理池✅ 可配 stealth 浏览器数据解析✅ 精确控制✅ 结构化输出开发速度慢逐字段适配快自然语言描述稳定性页面改结构就崩语义理解容错高对于需要登录才能抓取的站用use_cloudTrue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():agentAgent(task 1. 打开公司后台 https://dashboard.example.com 2. 用账号 admincompany.com / MyPss2026 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 ,llmChatBrowserUse())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 configBrowserConfig(download_path/path/to/your/downloads)browserBrowser(configconfig)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 toolsTools()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,encodingutf-8)asf:f.write(content)returnf已保存到 /data/{filename}asyncdefcustom_flow():agentAgent(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 ,llmChatBrowserUse(),toolstools)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_URLhttps://item.jd.com/xxxxx.htmlTARGET_PRICE2000.0asyncdefcheck_price():agentAgent(taskf打开{CHECK_URL}提取当前价格数字,llmChatBrowserUse())resultawaitagent.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/projectpython 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():agentAgent(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 ,llmChatBrowserUse())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 configBrowserConfig(chrome_instance_path/Applications/Google Chrome.app/Contents/MacOS/Google Chrome,user_data_dir/path/to/your/chrome/profile)browserBrowser(configconfig)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_idsandbox(cloud_profile_idyour-profile-id)asyncdefpublish_task(browser:Browser):agentAgent(browserbrowser,llmChatBrowserUse())# ...然后写个发布 Agentasyncdefcross_platform_publish(content_md:str):agentAgent(taskf 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 ,llmChatBrowserUse())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”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()。设置超时避免卡死agentAgent(task...,llmllm,max_actions_per_step50)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、对比其他方案特性Browser-UsePlaywrightSeleniumPuppeteer交互方式自然语言代码代码代码智能度高LLM 驱动无无无稳定性中依赖 LLM 质量高高高学习成本低一句话描述任务中中中反爬能力中Cloud版强低低低适用场景临时/多变任务固定流程自动化兼容性测试Chrome 专用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。