113.1K Star 开源项目 Browser-Use：用自然语言让 AI 操作浏览器

调试 Selenium、Playwright 脚本往往要花掉大半天时间：逐个写 CSS 选择器、XPath 定位元素，页面一改版，class、id 全部更新，整套脚本直接瘫痪。反复调试、反复维护，精力都消耗在和页面元素博弈上，真正的业务测试和数据采集反而没时间做。

传统自动化依赖硬编码元素路径，页面微小改动就会整套失效；纯截图的视觉方案又存在调用成本高、速度慢的短板。GitHub 上爆火的开源项目 Browser-Use 给出了第三条路线：基于浏览器无障碍 DOM 树，交由大模型理解网页，只用自然语言下达指令，AI 自主完成浏览器全流程操作。

截至目前项目 Star 已突破 113.1K+，支持本地开源部署与云端托管两种模式。不管是测试工程师、办公自动化、网页数据采集，还是普通用户实现填表、比价、批量操作网页，都可以直接落地。

01 Browser-Use 到底是什么

Browser-Use 是一套 Python 开源 AI Agent 浏览器自动化框架，底层架构分为三层：Python 上层 API → Rust 高性能核心 → Playwright 浏览器驱动。

它不是简单封装 Playwright，核心思路不是写死操作步骤，而是把浏览器的 无障碍可访问树（Accessibility Tree） 提取出来交给 LLM。

简单解释无障碍 DOM 树：它是浏览器原生输出的结构化页面信息，描述页面存在哪些按钮、输入框、链接，以及对应的文本语义，不依赖 CSS 样式和 class 类名。

大模型拿到这份结构化数据后，自主判断下一步应该点击哪个按钮、在哪个输入框填入内容、如何滚动页面，自主拆解完整业务任务。

它可以做到：你只需要用人类语言描述目标，AI 自动打开网页、找元素、填表单、点击、翻页、截图，完成完整业务链路，不需要手动写元素定位代码。

支持的大模型非常丰富：OpenAI GPT 系列、Anthropic Claude、Gemini、Ollama 本地大模型，还有项目自研、专门优化浏览器任务的 BU 2.0 模型 ChatBrowserUse，针对网页操作做专项调优，任务执行效率相比通用大模型提升 3-5 倍。

同时提供两套使用模式：

• 本地开源模式：MIT 协议开源，完全自主掌控浏览器实例，适合调试、私有化场景；需要自己处理反爬、验证码、代理等问题。
• Browser-Use Cloud 云端模式：托管 Stealth 隐身浏览器，内置指纹伪装、代理轮换、验证码自动处理，适合生产环境，新用户赠送免费额度，可复用浏览器登录 Profile，保留会话，不用反复写登录逻辑。

02 和传统自动化方案横向对比

Browser-Use 巧妙做了取舍：不完全依赖截图视觉，也不绑定前端样式类名，依靠浏览器原生无障碍树，兼顾稳定性与运行成本，这也是它能够爆火的核心底层逻辑。

03 真实落地场景

Browser-Use 的核心价值：很多网页没有开放 API，但人人都可以访问网页。通过 AI 操控网页，就等价于间接操控这套系统。

✅ 测试自动化（测试工程师首选）

Web UI 冒烟测试、回归测试、表单校验、完整 E2E 业务流程验证。非技术人员用自然语言就可以编写测试任务，无需掌握脚本；页面迭代后不需要修改用例，AI 自动识别元素；支持接入 CI/CD 流水线，无头模式后台执行，自动保存截图与执行录像。

✅ 办公自动化

批量填写表单、求职简历自动投递，批量填报在线系统，信息检索整理。把个人信息交给 Agent，AI 自动识别每一个表单字段完成录入。

✅ 电商与网页操作

商品搜索、跨平台配件比价、加入购物车，模拟真人网页购物流程；不需要对接平台接口，直接操作网页端。

✅ 网页数据采集

模拟真人浏览网页，抓取整理页面信息；云端模式自带反爬规避，降低被网站拦截概率。

✅ 自定义业务扩展

支持注册自定义 Action 工具，任务完成后触发邮件通知、调用内部业务接口，打通 Agent 和自有业务系统。

典型真实案例：简历自动投递、生鲜网页下单、跨网站硬件比价，全部依靠自然语言指令完成，零硬编码元素定位。

04 完整可落地安装教程

⚠️ 环境硬性要求：Python >= 3.11，版本过低会直接依赖报错，执行 python --version 确认版本。优先使用 uv 包管理器，依赖解析速度远高于 pip。

1. 安装 uv 工具

pip install uv

2. 初始化项目，安装 browser-use 核心依赖

uv init
uv add browser-use
uv sync

3. 自动安装 Playwright 浏览器

uvx browser-use install

4. 配置环境变量

项目根目录新建 .env 文件：

# 使用官方云端模型/云端浏览器填这个
BROWSER_USE_API_KEY="你的API_KEY"
# 如果使用 OpenAI
OPENAI_API_KEY="你的OpenAI密钥"

云端 API 密钥前往 browser-use.com 注册获取。

5. 校验安装

browser-use --version

输出版本号即安装成功；提示命令不存在，关闭终端重新打开。

05 两种使用方式

方式一：CLI 命令行，零代码快速跑任务

适合临时调试、快速验证想法，终端直接输入自然语言任务，自动拉起浏览器执行。

# 执行自然语言测试任务
browser-use run "访问登录页https://xxx.com/login，输入账号test123密码123456，点击登录，校验是否成功跳转首页"

# 页面截图保存
browser-use screenshot "访问https://example.com首页，完整页面截图保存到output目录"

# 批量读取txt内多条测试用例执行
browser-use run --file test_cases.txt

方式二：Python 代码集成，接入业务、Pytest 测试流水线

示例 1：登录功能自动化测试

from browser_use import Agent, Browser, ChatBrowserUse
import asyncio
from dotenv import load_dotenv
import os

load_dotenv()

async def test_login_flow():
    # 浏览器实例 headless=False 展示浏览器窗口方便调试
    browser = Browser(
        headless=False,
        # use_cloud=True，处理反爬、验证码场景
    )
    # 使用官方 BU-2.0 专用模型
    llm = ChatBrowserUse(api_key=os.getenv("BROWSER_USE_API_KEY"), model="bu-2-0")
    agent = Agent(
        task="访问https://xxx.com/login，账号test123，密码123456，点击登录，验证成功跳转首页，失败输出错误原因",
        llm=llm,
        browser=browser,
        verbose=True
    )
    history = await agent.run()
    print("\n✅任务最终结果：")
    print(history.final_result())

asyncio.run(test_login_flow())

示例 2：完整电商 E2E 业务流程

from browser_use import Agent
from langchain_openai import ChatOpenAI
import asyncio

async def e2e_shopping():
    agent = Agent(
        task="""完成电商完整购买流程：
1.访问电商网站，搜索手机
2.打开第一个商品详情
3.选择黑色，256GB规格
4.加入购物车，进入购物车确认商品信息
5.前往结算，填写收货地址
6.选择支付宝支付，确认跳转支付页面
任意步骤出错直接返回错误信息""",
        llm=ChatOpenAI(model="gpt-4o"),
        use_vision=True  # 复杂页面辅助识别
    )
    res = await agent.run()
    print(res.final_result())

asyncio.run(e2e_shopping())

示例 3：Pytest 集成，CI 流水线无头配置

适合 Jenkins、GitLab CI 自动化流水线，后台无头运行，失败自动保存录像便于排查问题。

import pytest
from browser_use import Agent, BrowserConfig

ci_browser_cfg = BrowserConfig(
    headless=True,
    keep_alive=False,
    save_recording=True
)

@pytest.mark.asyncio
async def test_core_business():
    agent = Agent(
        task="访问首页校验关键模块正常渲染",
        browser_config=ci_browser_cfg,
        llm=ChatBrowserUse()
    )
    result = await agent.run()
    assert result.success is True

自定义扩展工具示例

你可以注册自定义动作，让 Agent 完成网页操作之后调用自有能力，例如发送通知：

from browser_use import Tools

tools = Tools()

@tools.action(description="任务完成发送邮件通知")
def send_email_notify(content: str) -> str:
    return f"通知邮件已发送，内容：{content}"

agent = Agent(
    task="网页任务执行完毕后发送邮件通知我",
    llm=ChatBrowserUse(),
    browser=browser,
    tools=tools
)

06 生产落地选型方案

选型怎么选

• 本地开源模式适合：本地调试、私有化内网系统、没有强反爬与验证码场景；自己管理代理、浏览器实例；完全免费，MIT 协议。 坑点：遇到网站反爬、滑块验证码，本地模式很难处理，需要自行集成验证码解决方案。
• Browser-Use Cloud 云端模式适合：线上生产自动化任务，目标网站有反爬、验证码检测；需要复用浏览器登录会话 Profile；不想维护浏览器、代理池；有免费额度可以体验。

实战踩坑清单

• Python 版本必须 ≥ 3.11，低版本直接依赖报错；
• 复杂动态渲染页面，建议开启 use_vision=True 视觉辅助识别，提升识别准确率；
• Agent 任务描述尽量写清晰完整，把校验条件、异常处理写进 task 文本，大模型指令越明确结果越稳定；
• CI 流水线务必开启 headless=True，关闭浏览器窗口；开启 save_recording=True，失败保存录像便于定位问题；
• 本地模式容易被网站风控拦截，高频访问建议使用云端 Stealth 浏览器；
• 优先选择 BU-2.0 专用模型，相比通用大模型，浏览器任务推理速度、准确率更优。

07 总结

Browser-Use 并没有完全干掉 Playwright/Selenium，传统硬编码自动化在高稳定、高频接口测试场景依旧不可替代。但它开辟了全新的自动化范式：不需要再和页面元素死磕，把关注点从“怎么点击”回归到“要完成什么业务目标”。

对于频繁迭代的 Web 项目、大量一次性临时自动化任务、非技术同学参与自动化，Browser-Use 拥有巨大优势。无论是测试 E2E 回归、办公填表、网页信息采集，都值得上手体验。

项目官方资源

• GitHub 仓库：https://github.com/browser-use/browser-use