browser-use 上手：用自然语言驱动浏览器的开源智能体

browser-use 是一个用 Python 写的开源库，把大模型接上真实浏览器：你写一句任务描述，它自己打开页面、点按钮、填表单，再把结果拿回来。它适合那些没有 API、只能靠点网页才能办成的事，比如查库存、对账、批量填表。

browser-use 解决什么问题：把网页操作交给模型决策

传统做法是用 Playwright 或 Selenium 写选择器脚本。页面一改版，脚本就断，维护成本落在人身上。

browser-use 换了思路。它把当前页面整理成模型能读的结构，连同截图一起交给模型，由模型决定下一步点哪里、输入什么。选择器不再是硬编码，而是每一步现算。

代价也跟着来。每一步都要调用模型，任务越长，调用次数越多，账单和耗时一起涨。想省钱，就得先想清楚哪些环节能固定下来。

它的历史也不算短。仓库创建于 2024 年 10 月底，最初是为 GPT-4 时代设计的动作空间；到 0.13.0 版本，官方把底层用 Rust 重写，改成直接走 CDP 控制浏览器，把完整动作空间交给模型自己选。这类改动通常意味着接口变动，升级前建议先看变更说明。

它和纯抓取工具的定位不同。只要把网页正文转成 Markdown 喂给模型，用 Crawl4AI 实测 里那类抓取库更直接；需要点按钮、翻页、填表这类交互时，才轮到它上场。至于把多家模型 API 收成一个入口，那是 LiteLLM 上手 这类网关的活儿，两者叠在一起用也不冲突。

三条上手路径：库、CLI 与托管

官方文档把用法分成三条路径，选错会白折腾一阵。

• Python 库：装进自己的程序，能加自定义工具、能拿结构化输出，适合做成服务。
• CLI：给 Claude Code、Codex、Cursor 这类编程智能体挂上浏览器能力，适合交互式排查。
• 托管云：把任务直接发给 API，浏览器和智能体都跑在对方机器上，适合排定时任务。

库的门槛不高。要求 Python 3.11 以上，装好后在 .env 里放一个模型 Key 就能跑。最小示例只有三步：建 Agent、传 task、调 run。

版本信息可以在 PyPI 页面 核对：当前是 0.13.14，发布于 2026 年 10 月 26 日，协议为 MIT。源码与示例在 GitHub 仓库 里。

官方说明写得很明确：不用自己写 system prompt，换模型也不用改。需要补充指令时用 extend_system_message，需要整体替换时用 override_system_message。

模型与成本：每一步都在花钱

开源库本身免费，模型调用和托管浏览器都要另外付钱。先把账算清楚，再决定跑多少任务。

以上口径来自 官方定价页。模型选择上还有另一种算法：自带的 BU 2.0 按 token 计价，也可以接 OpenAI、Anthropic、Gemini、DeepSeek、Ollama 等 15 家以上供应商，各家按自家价格结算，接入方式见 支持模型文档。

按 token 计费时，账单取决于页面快照的大小和步数。一个五步任务和一个五十步任务，可能差出十倍。上线前建议先用一个只读任务跑几天，看平均每步吃掉多少 token，再估月度预算。开源库本身不要钱，云浏览器按分钟向上取整计费，起步按一小时算。

云端的托管智能体分三档。在难题集上，V4 的准确率是 76%，V3 是 67%，V2 是 54%；对应的单任务典型成本，V4 落在 0.70 到 1.64 美元区间，这组数据出自 官方档位说明。

准确率和钱是同一条曲线。简单查询用便宜档，跨多页收集数据再用贵的，不必一上来就挑贵的。

实测边界：哪些任务容易翻车

翻车点基本集中在四类。

1. 强风控站点。LinkedIn、银行、抢票类平台会持续拦截。官方自己也承认，没有任何浏览器配置能保证绕开每一道验证。
2. 页面结构频繁变动。重放旧流程时，只要某一步对不上就会抛错。
3. 需要登录态的任务。本地可以复用 Chrome 配置；云端同步只搬 cookie，不搬 localStorage、IndexedDB 和扩展，部分站点仍要重新登录。
4. 要付款或提交的流程。模型会误点，人工复核这一环省不掉。

还有一个容易忽略的点：只抓静态 HTML 的活儿，用普通请求库更省，套上模型反而多一层不确定性。

稳定跑起来：重放、工具与权限边界

任务跑顺之后，官方建议把成功那次执行存下来。用 save_history 存档，之后 load_and_rerun 直接重放点击和输入，只换变量值，不必每一步都调模型。

这一步能省下大量调用费。但抽取步骤和收尾总结仍会调用模型，页面一变就会在匹配不上的那一步报错，前面已经执行的步骤不会回滚。

需要超出浏览器范围的动作，可以用 Tools 注册函数。比如查本地数据库、发一条通知，模型会自己判断什么时候调用。官方文档把 MCP 也列在集成项里，包成工具后可以被编程客户端调用，协议细节可参考 MCP 协议入门。

存档文件要当敏感数据看。带敏感字段时，输入会存成占位符，但页面快照和结果仍是原文，得按密码的保管标准处理。

权限也要收着给。别让它拿着有支付权限的账号去跑开放任务，这是这类工具共通的底线。

常见问题与适用人群

适合的人：手上有重复的网页操作、又拿不到对方 API 的开发者；想给编程智能体补上真实浏览能力的团队。

不太适合的人：需要零代码可视化编排的非技术用户，以及只抓静态页面的场景。

一定要用云端吗

不必。本地装 Chrome 就能跑，接 Ollama 可以全本地。云端解决的是反爬、代理和并发。

能用国产模型吗

可以。官方文档给了 DeepSeek 和通义千问的接法，后者建议用 qwen-vl-max 并开启视觉。

和手写 Playwright 脚本比，哪个划算

一次性的简单流程，手写脚本更快也更省。流程多变、选择器老失效的场景，交给模型决策更划算。

要自己写提示词吗

不用。Agent 会自动带上官方提示词，任务描述放在 task 参数里即可。

上手建议：先用本地 Chrome 跑一个只读任务，把成本和时间摸清楚，再考虑上云或排定时任务。