browser-use

让 LLM Agent 像人一样操作浏览器的开源工具，能自动打开页面、点击、填表、提取数据，用自然语言描述任务即可完成。核心亮点是同时提供 Python 库和 CLI skill，可接入 Claude Code、Cursor 等编码 agent，并在 Odysseys 榜单上超越 OpenAI/Anthropic 的 computer-use agent；配合云端浏览器还能处理验证码和指纹对抗，适合网页自动化、数据采集和 QA 场景。MIT 许可，可免费商用。

README

Browser Use 能做什么？

Browser Use 让 AI agent 像人类一样使用网页浏览器——它能打开页面、点击按钮、输入文字、填写表单。你描述任务，它来执行。例如，你可以让它：

📋 填写表单

任务：「用我的简历和信息填写这份求职申请。」

Job Application Demo

示例代码 ↗

🍎 提取数据

任务：「提取关于我关注者的结构化数据并导出为 CSV。」

https://github.com/user-attachments/assets/485fd3ec-61b9-4afc-9e86-ee9b85acb592

Browser Use Cloud 文档 ↗

快速开始

如果你想在自己的 agent（Claude Code、Codex、Cursor、Hermes、OpenClaw 等）中使用 Browser Use，粘贴以下提示词，它会自动完成所有设置：

Install or upgrade browser-use to the latest stable version with uv using Python 3.12, run `browser-use skill install` to register the skill, and connect it to my browser. If setup or connection fails, follow https://github.com/browser-use/browser-harness/blob/main/install.md.

然后告诉你的 agent 你想要完成什么任务。

Python 库：自动化网页的最简单方式

想要从你自己的代码中、使用任意 LLM 大规模自动化网页操作？使用 Python 库：

1. 安装 Browser Use（Python >= 3.11）：

uv add browser-use
# or: pip install browser-use

2. 将你的 LLM API 密钥添加到 .env。从 Browser Use Cloud 获取一个，或使用你自己的 provider 密钥：

# .env
BROWSER_USE_API_KEY=your-key
# GOOGLE_API_KEY=your-key
# ANTHROPIC_API_KEY=your-key

3. 运行你的第一个 agent：

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-mini-preview'),  # Browser Use's optimized model
        # llm=ChatOpenAI(model='gpt-5.5'),
        # llm=ChatAnthropic(model='claude-opus-4-8'),  # Sonnet also works well
    )
    history = await agent.run()

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

更多内容请查看库文档和云文档！

开源版 vs 云端版

我们在 100 个真实浏览器任务上对 Browser Use 进行了基准测试。完整基准测试已开源：browser-use/benchmark。

Browser Use 还在 Odysseys 排行榜 上以 87.4% 的平均得分排名第一，领先于 OpenAI、Anthropic、Google 和 Microsoft 的 computer-use agent。Odysseys 评估的是 agent 在 200 个长周期网页任务上的表现。

使用开源 Agent

免费，运行在你自己的机器上
深度代码级集成和控制：选择你的 LLM，自定义 agent 行为
我们建议将其与我们的云浏览器搭配使用，以获得领先的隐身能力、代理轮换和扩展性

使用全托管云端 Agent（推荐）

针对复杂任务更强大的 agent（见上图）
最轻松的启动和扩展方式
最佳隐身能力，支持代理轮换和验证码解决
1000+ 集成（Gmail、Slack、Notion 等）
持久化文件系统和记忆
可重复运行的脚本即使在网站变更时也能获取实时数据（指南）

curl -X POST https://api.browser-use.com/api/v4/runs \
  -H "X-Browser-Use-API-Key: $BROWSER_USE_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{"task": "Your task"}'

集成、托管、自定义工具、MCP 及更多内容，请查看我们的文档 ↗

常见问题

我应该使用 CLI 还是 Python 库？

如果你的 agent（Claude Code、Codex、Cursor、Hermes、OpenClaw 等）需要完成浏览器任务，使用 CLI。agent 只需安装一次 skill（见快速开始），之后就能控制浏览器。示例：

「把这个视频上传到 YouTube」
「比较这三款笔记本电脑，给我一张带价格的表格」
「用我的简历填写这份求职申请」

当你正在构建自动化网页操作的软件时，使用 Python 库。示例：

按计划或并行运行大量任务（爬取、监控、QA）
将浏览器 agent 嵌入你自己的产品
自定义工具、自定义系统提示词、结构化输出、细粒度浏览器控制

经验法则：通过 agent 完成一次性任务 → CLI。在代码中实现可重复的自动化 → Python 库。

用什么模型最好？

我们专门针对浏览器自动化任务优化了 ChatBrowserUse()。平均而言，它以 SOTA 精度完成任务的速度比其他模型快 3-5 倍。

关于定价和其他 LLM provider，请查看我们的支持的模型文档。

我可以通过 ChatBrowserUse 使用 Claude / GPT / Gemini 吗？

可以。ChatBrowserUse 接受带 provider 前缀的模型 ID，因此一个 BROWSER_USE_API_KEY 即可访问所有模型——无需分别获取 OpenAI/Anthropic/Google 密钥：

from browser_use import Agent, ChatBrowserUse

llm = ChatBrowserUse(model='anthropic/claude-sonnet-4-6')  # or 'openai/gpt-5.5', 'google/gemini-3-pro'
agent = Agent(task='...', llm=llm)

为了最佳速度和成本，我们仍然推荐默认的 bu-* 模型。

我应该将 Browser Use 系统提示词与开源预览模型一起使用吗？

是的。如果你使用 ChatBrowserUse(model='browser-use/bu-30b-a3b-preview') 搭配普通的 Agent(...)，Browser Use 仍会默认发送其 agent 系统提示词。

你不需要仅仅因为切换到开源预览模型就额外添加自定义的「Browser Use 系统消息」。只有当你确实想要针对你的任务自定义默认行为时，才使用 extend_system_message 或 override_system_message。

如果你想要最佳的默认速度和精度，我们仍然推荐更新的托管 bu-* 模型。如果你想使用开源预览模型，除了 model= 的值之外，设置保持不变。

我可以和 agent 一起使用自定义工具吗？

可以！你可以添加自定义工具来扩展 agent 的能力：

from browser_use import Tools

tools = Tools()

@tools.action(description='Description of what this tool does.')
def custom_tool(param: str) -> str:
    return f"Result: {param}"

agent = Agent(
    task="Your task",
    llm=llm,
    browser=browser,
    tools=tools,
)

我可以免费使用这个吗？

可以！Browser-Use 是开源的，完全免费使用。你只需要选择一个 LLM provider（如 OpenAI、Google、ChatBrowserUse，或使用 Ollama 运行本地模型）。

服务条款

这个开源库采用 MIT 许可证。关于 Browser Use 服务和数据政策，请查看我们的服务条款和隐私政策。

如何处理身份验证？

查看我们的身份验证示例：

使用真实浏览器配置文件——复用你现有的 Chrome 配置文件和已保存的登录状态
如果你想使用带收件箱的临时账户，请选择 AgentMail
要将你的认证配置文件同步到远程浏览器，请从官方发布页安装适合你平台的 profile-use，然后按照配置文件同步指南操作。

这些示例展示了如何无缝地维护会话和处理身份验证。

如何解决验证码？

对于验证码处理，你需要更好的浏览器指纹和代理。使用 Browser Use Cloud，它提供旨在避免检测和验证码挑战的隐身浏览器。

如何投入生产？

Chrome 会消耗大量内存，并且并行运行多个 agent 可能难以管理。

对于生产环境用例，请使用我们的 Browser Use Cloud API，它处理：

可扩展的浏览器基础设施
内存管理
代理轮换
隐身浏览器指纹
高性能并行执行

引用

如果你在研究或项目中使用了 Browser Use，请引用：

@software{browser_use2024,
  author = {Müller, Magnus and Žunič, Gregor},
  title = {Browser Use: Enable AI to control your browser},
  year = {2024},
  publisher = {GitHub},
  url = {https://github.com/browser-use/browser-use}
}

告诉你的电脑要做什么，它就能搞定。