AGI 未来之门

主题

Browser Use 实战：让 Agent 操控浏览器 ​

有些重复工作卡在浏览器里：每天登录自家后台导一张数据表、把一批信息逐条填进表单、在多个公开页面收集价格做对比表。RPA 工具要拖拽配置半天，页面一改版就废。browser-use（GitHub 95k+ Star）的思路不同：给 AI 一个真实浏览器，用自然语言描述任务，它自己看页面、点击、填表、提取。

本教程带你完成部署、跑通第一个任务，并划清哪些能交给 Agent、哪些永远不能。

1. 先看最终效果 ​

text
任务：登录我们的运营后台，打开"每日数据"页面，
把 9 月的表格导出为 CSV，存到 ./reports/ 目录。

Agent 执行过程：
✓ 打开后台登录页，使用已保存的登录态进入
✓ 导航到"每日数据"，切换到 9 月
✓ 点击导出，等待下载完成
✓ 保存至 reports/2026-09-daily.csv（312 KB）

以前每天 10 分钟的例行操作，变成一句话。

2. 项目边界与验收标准 ​

text
适合交给浏览器 Agent：
- 你自己账号里的例行操作（导报表、查状态、下载文件）
- 公开页面的信息收集与整理（比价、汇总成表格）
- 表单的机械填写（内容已由你确认）

永远不由 Agent 自动执行：
- 支付、下单、签约等资金操作
- 发帖、评论、群发等对外发布动作
- 验证码：遇到就停下交给人处理，不做任何绕过尝试
- 绕过网站风控、伪造身份、批量注册

验收标准：

  • [ ] 任务完成时有明确的成功证据（文件存在、截图、提取结果）；
  • [ ] 登录态只用于你自己的账号；
  • [ ] Agent 每一步操作可回放（截图/录像），出错可定位；
  • [ ] 遇到不确定的页面状态会停下来问人，而不是猜着点。

3. 安装与首次运行 ​

需要 Python 3.11+ 和一个 OpenAI 兼容的模型接口（本地 Ollama 或中转站均可，见《本地 AI》）：

bash
uv venv && source .venv/bin/activate
uv pip install browser-use
uvx browser-use init --template default --output my_agent.py

my_agent.py 里的模型配置改成你的端点（Base URL / API Key / 模型名，以服务商为准），然后跑第一个任务：

bash
python my_agent.py

建议第一个任务选不涉及登录的公开页面，比如：

text
打开 https://news.ycombinator.com，收集当前首页前 10 条的
标题、分数和链接，保存为 JSON 文件。

4. CLI 调试：看清 Agent 每一步 ​

browser-use 自带交互式 CLI，是调试和建立信任的最好工具：

bash
browser-use open https://example.com   # 打开网页
browser-use state                      # 列出当前可交互元素
browser-use click 5                    # 点击第 5 个元素
browser-use type "Hello"               # 输入文本
browser-use screenshot page.png        # 截图存证
browser-use close

第一次跑新任务时，先手动用 CLI 把关键路径走一遍，确认页面元素稳定，再交给 Agent 全自动执行。看得见每一步，才敢放手——这与《工作委托》的验收原则一致。

5. 复用登录态：只登一次 ​

Agent 每次冷启动都要面对登录墙。最实用的解法是连接你本地已登录的 Chrome Profile，复用已有的会话：

python
from browser_use import Agent, Browser

browser = Browser.from_system_chrome(profile_directory="你的 Profile 路径")

可用 Browser.list_chrome_profiles() 列出本机所有 Profile 再选择。安全上把这条红线刻死：

text
登录态文件 = 密码本身。
- 专用一个浏览器 Profile 跑自动化，不混用日常 Profile；
- 绝不把 Profile 目录提交进 Git 或上传网盘；
- 只连你自己账号；任务完成后如无持续需求，退出登录。

6. 委托 Agent 编写自动化脚本 ​

真实任务的脚本不必你写。browser-use 官方仓库提供了 Agents.md 接口文档，专门给编码 Agent 读——这是标准的"Agent 指挥 Agent"结构：编码 Agent 负责推理和写代码，browser-use 负责执行浏览器操作。

打开你的编码 Agent（Claude Code / Codex CLI 等），粘贴这份委托提示词：

text
参考 browser-use 项目根目录的 Agents.md（先用 uv pip install
browser-use 并克隆仓库，或直接阅读 GitHub 上的 Agents.md），
帮我写一个浏览器自动化脚本 daily_export.py：

任务：每天登录运营后台，进入"每日数据"页面，导出当月 CSV
到 ./reports/，文件名带日期。
要求：
1. 复用本地 Chrome Profile 的登录态（profile 路径从环境变量读）；
2. 每一步操作后截图到 ./shots/，失败时保留现场；
3. 导出成功的判定标准：目标文件存在且大小 > 0，否则重试 1 次，
   仍失败则退出码非 0 并打印最后一步截图路径；
4. 任务描述里明确：遇到验证码或异常页面立即停止，不做任何绕过；
5. 所有配置（URL、账号页面、目录）走环境变量，不硬编码。
最后给我运行方式和验收命令。

人工闸门照旧：确认它写进了"验证码即停"和成功判定标准，再让它跑。

7. 真实案例参考 ​

社区里已经跑通的三类任务，可以对照估算你的场景：

案例任务要点
后台例行导出登录自家后台，定时导出数据表复用登录态 + 文件存在性验收
求职申请表上传简历、填写长表单自定义工具注入文件、处理跨域 iframe
比价收集在多个公开电商页收集配置和价格，汇总推荐无登录公开页面，输出结构化表格

共同点：操作可逆、结果可验证、账号是自己的。反过来，凡是不可逆（下单）、对外发布（发帖）的操作，都应保持在人工手里。

8. 故障与限制 ​

  • 页面改版：Agent 找不到元素而卡住。看截图定位，更新任务描述里的页面特征；高频改版的页面不适合自动化，先问《发现第一条工作流》里的稳定性问题；
  • 验证码/风控页：停下交给人。不要尝试任何绕过方案——那既是技术深坑，也违反多数平台条款；
  • 执行慢且贵：每一步都要截屏给模型看，token 消耗高于普通对话。把任务描述写具体（精确到页面名和按钮文字）能显著减少探索步数；
  • 模型能力差异：不同模型操控浏览器的成功率差别很大，浏览器自动化是模型能力的放大器，模型越强越稳。

9. 完成标准 ​

  • [ ] 用 CLI 手动走通一遍目标页面的关键路径；
  • [ ] 第一个公开页面任务全自动完成且产出可验证；
  • [ ] 登录态跑在专用 Profile 里，且确认未进任何版本库；
  • [ ] 委托脚本包含"验证码即停"和文件存在性验收；
  • [ ] 连续 3 天定时任务成功，失败时有截图可定位。

想更进一步：把脚本挂进定时器，或接进《AI 周报生成器》当数据源；多条浏览器任务并行后，再评估是否值得升级托管方案。

先找工作，再找工具。

AGI 未来之门