Browser Use

Browser Use 是面向浏览器自动化 Agent 的开源项目。它适合学习“怎样把真实网页变成 Agent 可操作环境”：模型需要观察页面、选择动作、执行点击输入、处理失败并完成网页任务。

基础核验

一句话定位

Browser Use 适合学习浏览器 Agent 的底层动作空间和恢复机制：它关注真实网页、真实浏览器、持久工具、失败恢复和网页任务完成链路。

值得学习的工程点

• 浏览器 harness：把网页状态、动作和观察变成 Agent 可以使用的接口。
• 动作空间：点击、输入、等待、下载、导航等动作必须有明确反馈。
• 恢复循环：网页任务经常失败、变化或需要重试，不能只靠一次点击。
• Python API + 底层 runtime：适合观察高层 Agent 逻辑和底层浏览器执行之间的边界。
• 与 coding agent 类比：浏览器任务也需要计划、执行、观察、恢复和终止条件。

不适合直接照搬的地方

• 浏览器 Agent 连接真实账号和外部网站时风险很高，必须处理登录态、隐私和确认动作。
• 网页结构变化快，不能只依赖脆弱 selector。
• 自动提交表单、购买、发消息、改权限等动作必须有人类确认。

后续深拆问题

• Browser Use 如何表示页面状态和可执行动作。
• 它如何处理失败重试和页面变化。
• 它如何和远程浏览器、云浏览器或本地浏览器组合。

核心链路

正在渲染图表…

Browser Use 的核心是 browser harness：把视觉和 DOM 状态转成模型可理解的观察，把模型动作转成可执行浏览器操作。

拆解清单

• 页面观察是否包含可点击元素、文本、URL、截图或 DOM 摘要。
• 动作空间是否有限制，是否能防止误提交。
• 登录态、cookie、下载文件和账号权限如何隔离。
• 网页变化、弹窗、验证码、超时如何处理。
• 高风险动作是否需要人工确认。

参考资料

• Browser Use GitHub Repository
• Browser Use Website