illegalCreed

中文

English

中文

English

Appearance

入门 ​

基于 browser-use/browser-use 官方仓库（MIT，主分支 2026-07）的 README 与 skills/（browser-use / cloud / open-source / qa / remote-browser / x402）编写。

速查 ​

  • 装：uv add browser-use（Python ≥ 3.11）或 pip install browser-use；CLI 形态 uvx browser-use install
  • 跑：Agent(task=..., llm=ChatBrowserUse(model='openai/gpt-5.5')) → await agent.run()
  • Key：.env 设 BROWSER_USE_API_KEY（get one from cloud.browser-use.com）；可换 OpenAI/Anthropic/Google/本地 Ollama
  • 6 skills：browser-use（核心/本地 CDP）·cloud（官方云 REST/SDK）·open-source（Python 库参考）·qa（网站 1–5 评分）·remote-browser（沙箱远程浏览器 CLI）·x402（USDC on Base 付费，免 API key）
  • CLI vs 库：一次性任务（给 Claude Code/Cursor 做）→ CLI；可重复自动化（爬虫/QA/嵌产品）→ Python 库
  • 基线：★105k，Odysseys 200 长程 web 任务 #1（87.4%）

定位 ​

Browser Use 是「让 LLM agent 自主操作浏览器」的官方 Python 库——开放任务，不是固定脚本。给 agent 一个自然语言任务，它自己打开页面、看 DOM/可访问性树、推理下一步、点击/填表、回收结果。区别于 Playwright/Puppeteer/Selenium（人写脚本），它由 LLM 实时决策。

安装 ​

bash
# Python 库（推荐 uv）
uv add browser-use
# 或
pip install browser-use

# CLI 形态（一次性任务交给别的 agent 用）
uvx browser-use install

环境变量 .env：

bash
BROWSER_USE_API_KEY=your-key          # 用于 ChatBrowserUse + 云特性
# 或自带 provider key
# GOOGLE_API_KEY=...
# ANTHROPIC_API_KEY=...
# OPENAI_API_KEY=...

第一个 Agent ​

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'),
        # llm=ChatBrowserUse(model='bu-2-0'),        # 官方优化模型，最快最省
        # llm=ChatOpenAI(model='gpt-5.5'),
        # llm=ChatAnthropic(model='claude-opus-4-8'),
    )
    history = await agent.run()

if __name__ == "__main__":
    asyncio.run(main())

要点：库是 async，入口用 asyncio.run()；Agent 默认驱动一个 Chromium；run() 返回 AgentHistoryList（步骤、结果、错误）。

6 个 skills 总览 ​

Skill何时用一句话
browser-use（核心）本地 agent 通过 CDP 控制你正在用的 Chromebrowser-use <<'PY' heredoc 喂 Python；helpers 已预导入
cloud用 Browser Use Cloud REST/SDKX-Browser-Use-API-Key header，v2（30 端点）/v3（BU Agent 会话）
open-source写 Python 代码用开源库Agent/Browser/Tools 配置、模型、hooks、MCP、Laminar/OpenLIT
qa给网站/本地 dev server 打分1–5 评分 + 证据，云端浏览器跑，自动 tunnel localhost
remote-browser沙箱（无 GUI）远程机器控浏览器browser-use open/state/click/input，Cloudflare tunnel 暴露 localhost
x402不要 API key、用加密钱包付费USDC on Base，每次请求付费，SDK 触发

CLI vs Python 库 ​

CLI：你已经有一个 agent（Claude Code / Codex / Cursor / Hermes / OpenClaw…），想让它在浏览器里干活。

text
（在 agent 对话里）
Upload this video to YouTube
Compare these three laptops and give me a table with prices
Fill in this job application with my resume

Python 库：你在写自己的自动化代码。

  • 定时/并发跑很多任务（爬虫、监控、QA）
  • 把 agent 嵌进自己产品
  • 自定义 tools、自定义系统提示、结构化输出、细粒度浏览器控制

经验法则：一次性任务给 agent → CLI；可重复自动化入代码 → Python 库。

Agent 心智 ​

  • 看页面优先用可访问性树（AX），不用截图：cdp("Accessibility.getFullAXTree") 给每个元素 role/name/backendDOMNodeId，比像素稳
  • 坐标点击默认：CDP 鼠标事件穿透 iframe/shadow/跨域
  • 首次导航用 new_tab(url)，不是 goto_url(url)（核心 skill 约定）
  • 登录墙停下问人——例外是 Chrome 已登 SSO 可自动用；密码/MFA/同意/账号选择仍要停下
  • 任务完成、云浏览器还在跑 → 主动问「关掉吗」：远程 daemon 一直计费到停或超时

下一步 ​

  • 指南 —— 6 skills 深入、LLM 驱动浏览器机制、反模式
  • 参考 —— skills 清单、安装、许可、关键链接