TL;DR
Browser Use 是一个让 AI Agent 像人类一样操作浏览器的开源框架，底层基于 Playwright。凭借在 Odysseys Benchmark 上 87.4% 的平均成功率登顶，它已成为当前 Web Agent 领域的事实标准之一。其核心价值在于将复杂的 DOM 交互抽象为自然语言任务，支持从本地开发到云端大规模并发的全场景覆盖。
它解决什么问题
传统 Web Scraping（如 BeautifulSoup/Selenium）依赖静态 CSS/XPath，面对动态渲染、反爬机制或频繁变更的 UI 时极易失效。Browser Use 解决的是“通用 Web 自动化”问题：通过 LLM 理解页面语义，动态决策点击、输入和导航。随着 Computer Use（如 OpenAI Operator）的兴起，用户不再满足于提取数据，而是希望 Agent 能完成填表、登录、多步跳转等复杂工作流。Browser Use 的出现填补了“代码级控制”与“自然语言意图”之间的鸿沟。
核心做法
架构上，Browser Use 将浏览器实例（Playwright）与 LLM Agent 解耦。核心流程包括：
1. DOM 感知：将页面结构转化为 LLM 可理解的文本表示（如 Accessibility Tree），而非原始 HTML。
2. Action Space：定义了一系列原子操作（Click, Type, GoTo, Extract 等），Agent 根据当前状态选择下一步 Action。
3. Custom Tools：支持注入自定义 Python 函数作为 Agent Tool，扩展其能力边界（如调用外部 API）。
4. Model Agnostic：通过 ChatBrowserUse 封装层，统一对接 OpenAI、Anthropic、Google 及自研的 bu-* 系列模型，后者针对浏览器任务进行了 Speed/Accuracy 优化。
作者
项目由 Magnus Müller (mamagnus00) 和 Gregor Žunič (gregpr07) 创立，团队位于苏黎世和旧金山。README 引用了他们的学术/工程背景但未详述过往具体项目履历，不过从项目的快速迭代（2024年10月发布至今 Star 破 11万）和完善的 Cloud/SaaS 商业化路径来看，这是一支具备极强工程落地能力和产品化思维的团队。
社区反应
数据表现极其强劲： - Stars: >110k，属于 GitHub 顶级热门项目。 - Forks: >12k，表明大量开发者在进行二次开发或集成。 - Issues: 383 open issues，相对于其体量而言控制良好，但考虑到高频迭代，社区讨论活跃。 - 生态: 作为 Python 库，它迅速成为 LangChain、CrewAI 等 Agent Frameworks 的首选 Browser Tool。其 Cloud API 的推出也吸引了大量非技术用户。
怎么上手
环境要求: Python >= 3.11, Node.js (用于 Playwright 依赖)。
最小复现步骤:
1. uv add browser-use (或 pip install)
2. 配置 .env:
bash
BROWSER_USE_API_KEY=your-key # 可选，若使用自带模型或代理
OPENAI_API_KEY=sk-... # 或使用其他 LLM Key
3. 运行代码:
```python
import asyncio
from browser_use import Agent, ChatBrowserUse
async def main(): agent = Agent( task="Find the number of stars of the browser-use repo", llm=ChatBrowserUse(model='openai/gpt-5.5'), ) await agent.run()
asyncio.run(main())
``
**CLI 集成**: 对于 Cursor/Claude Code 等本地 Agent，可直接粘贴 README 中的browser-use skill install` 指令进行一键配置。
争议与局限
- Token 成本与延迟: LLM 循环推理（Perceive -> Think -> Act）导致单次任务耗时较长，且 Token 消耗随页面复杂度线性增长。虽然官方优化了
bu-*模型，但相比传统脚本仍慢数个数量级（推断）。 - 反爬对抗: 开源版依赖本地浏览器，极易触发 Cloudflare/PerimeterX 等 WAF。解决 CAPTCHA 和指纹识别需依赖付费 Cloud API，形成了“开源引流、云端变现”的闭环（推断）。
- 稳定性: 基于 LLM 的非确定性输出意味着相同任务在不同时间可能产生不同结果，难以像传统脚本那样保证 100% 确定性（README 承认需配合 Cloud API 提高稳定性）。
相关项目
- OpenAI Computer Use — OpenAI 的视觉 Agent，直接操作屏幕像素而非 DOM，通用性更强但精度和速度目前落后于 Browser Use 的专用优化。
- Crawlee (by Apify) — 传统的 Web Scraping/自动化框架，基于 Playwright/Puppeteer，但缺乏 LLM Agent 能力，适合结构化数据提取而非复杂交互。
- LangChain Browser Tool — LangChain 生态中的浏览器集成组件，功能较基础，通常作为底层工具被 Browser Use 或类似框架调用。
- Dify / Coze — Low-code Agent 平台，内置了 Browser Use 等工具节点，侧重于工作流编排而非底层自动化引擎。
- Selenium IDE / Playwright Codegen — 录制回放式自动化工具，无 AI 决策能力，无法处理动态变化的 UI 逻辑。