Browser Use – 让 AI 像人类一样使用浏览器

22次阅读

共计 2186 个字符，预计需要花费 6 分钟才能阅读完成。

Browser Use 是一个开源的网络自动化工具，其利用语言模型让 AI Agent 能够像真实用户一样操作浏览器，自动完成设置的动作，如填写表单、内容提取等。

效果如下：

安装 Browser Use#

安装过程很简单，在高于 Python 3.11 的环境下，直接使用 pip 安装就行了：

> python3 -m venv qileq-workspace
> source qileq-workspace/bin/activate
> python3 -m pip install browser-use

安装完成后，还需要再安装 playwright 来执行自动化任务：

> playwright install

接下来我们就可以创建 agent 脚本运行任务了。

使用 Browser Use#

创建 agent#

创建 agent 脚本，这里假设脚本名为 agent.py。

官方提供了一个参考脚本，使用 GPT-4o 的 API 让 Browser Use 去 Reddit 搜索框搜索 browser-use，然后返回第一个帖子的第一个评论，脚本内容如下：

from langchain_openai import ChatOpenAI
from browser_use import Agent
import asyncio

async def main():
    agent = Agent(
        task="Go to Reddit, search for 'browser-use' in the search bar, click on the first post and return the first comment.",
        llm=ChatOpenAI(model="gpt-4o"),
    )
    result = await agent.run()
    print(result)

asyncio.run(main())

设置 API 密钥#

在正式运行前，还需要设置模型的 API 密钥。

设置方法也很简单：在当前目录下创建一个名为 .env 的文件，然后在里面添加一个名为 OPENAI_API_KEY 的环境变量，值为你的 OpenAI API 密钥，然后运行脚本即可。

不同模型服务对应的环境变量不同，具体值可参考 LangChain 官网的说明。如下是一些常用模型对应的环境变量名：

大模型服务	环境变量名
OpenAI	OPENAI_API_KEY
Anthropic	ANTHROPIC_API_KEY
Azure	AZURE_OPENAI_API_KEY
Nvidia	NVIDIA_API_KEY

运行#

使用 python3 agent.py 即可运行脚本。

测试#

假如我有其他需求应该怎么做呢？比如我想使用 DeepSeek 模型去小红书上找一张外国小姐姐的照片，然后把照片保存在本地应该怎么做呢？

那我们再创建一个 deepseek.py 文件，内容如下：

import asyncio
import os

from dotenv import load_dotenv
from langchain_openai import ChatOpenAI
from pydantic import SecretStr

from browser_use import Agent

# dotenv
load_dotenv()

api_key = os.getenv('DEEPSEEK_API_KEY', '')
if not api_key:
    raise ValueError('DEEPSEEK_API_KEY is not set')

async def run_search():
    agent = Agent(
        task=(
            '1. 打开 https://www.xiaohongshu.com/explore'
            '2. 点击登录按钮，等待我扫码登录'
            "3. 在搜索框中搜索 '漂亮小姐姐' "
            "4. 点击第一个返回结果，等待 10 秒钟后退出"
        ),
        llm=ChatOpenAI(
            base_url='https://api.deepseek.com/v1',
            model='deepseek-chat',
            api_key=SecretStr(api_key),
        ),
        tool_call_in_content=True,
        use_vision=False,
    )

    await agent.run()


if __name__ == '__main__':
    asyncio.run(run_search())

在 .env 中添加 DEEPSEEK_API_KEY 环境变量，然后运行 python3 deepseek.py 即可完成任务。

就我多个场景的测试结果来看，Browser Use 目前能完成很多操作了，但仍有少量页面元素识别起来还有点问题，导致可能最终无法正确完成我们的需求。不过相信未来这些问题都能解决。