周五晚上 7 点，我刚把外卖拆开，手机“叮”一声。
老板发来一句话：
“小王，周一要开会，你去收集下 50 个竞品的定价策略。”
我盯着屏幕愣了两秒，脑子里已经开始自动播放画面：打开 50 个网站、挨个找 Pricing、复制粘贴、整理表格、截图留证……别说周末了，我今晚都别想睡。
更要命的是，传统方案我都试过：
写爬虫？不少 SaaS 官网套了 Cloudflare，反爬一上来就把你当“坏人”。
纯手动？不是做不完，是做完人就没了。
RPA 录制？看起来优雅，实际一改版就报废，维护成本比写代码还高。
那一刻我突然意识到：这不是“能不能做”的问题，是“有没有更像人类的方式做”。
然后我刷到一个东西——browser-use。
我第一反应是：这玩意儿是不是又是那种“宣传视频里很丝滑，自己跑起来像抽风”的工具？
但我抱着“死马当活马医”的心态装了装。
结果很离谱：我花了大概 3 小时写完脚本，AI 自己跑了一晚上；周六早上醒来，数据已经躺在 Excel 里了。
甚至还顺带把每家套餐差异做了个简单归类，开会材料直接能用。
所以我想把这次经历写下来：不是炫技，也不是种草贴——就是一份真正在业务里能落地的记录：怎么用、怎么写、哪里会翻车、什么场景别碰。
一、一个真实的周五晚上
1.1 场景重现
老板突然发来消息：“小王，周一要开会，你去收集下 50 个竞品的定价策略。”
我的内心 OS：周五晚上 7 点，这是要我手动打开 50 个网站一个个复制粘贴？
传统方案的困境：
爬虫？很多网站有反爬
手动？累死我也做不完
RPA 工具？录制脚本太繁琐，网站一改版就失效
1.2 然后我发现了 browser-use
第一反应：这玩意儿真能让 AI 自己操作浏览器？
半信半疑装上试试
结果：3 小时写完代码，AI 自己跑了一晚上，周六早上醒来数据已经躺在 Excel 里
1.3 为什么要写这篇文章
不是来吹牛的，是真的解决了我的问题
分享完整的踩坑经验和实战代码
告诉你哪些场景适合用，哪些不适合
二、browser-use 到底是个什么东西？
2.1 一句话说清楚
把 LLM（大语言模型）装进浏览器里，让 AI 像你一样点击、输入、滚动页面，还能自己决定下一步该干什么。
你可以把它理解成：你不是在写“爬虫规则”，而是在雇一个会用浏览器的实习生。你只需要把任务说清楚，它自己去找按钮、点链接、翻页、抓信息。
2.2 和传统工具的对比
【传统爬虫】
你：写正则表达式，找XPath，处理反爬
坏处：网站改版就废了
【RPA工具（如UiPath）】
你：录制每一步操作
坏处：不灵活，遇到验证码就卡住
【browser-use】
你：告诉AI"去某网站找价格"
AI：自己分析页面，点击按钮，填表单，提取数据
2.3 核心能力（用人话说）
看懂网页：把 HTML 渲染成 AI 能理解的结构
自主决策：不需要你写 if-else，AI 自己判断要点哪个按钮
容错性强：页面结构变了，AI 会自适应
多步骤任务：能完成“登录→搜索→翻页→提取”这种复杂流程
三、先别急着装，我们聊聊原理（5 分钟看懂）
3.1 整个系统长什么样
【你的指令】
↓
【LLM大脑（GPT-4/Claude）】
↓
【browser-use中间件】
↓
【Playwright控制浏览器】
↓
【真实的Chrome窗口】
它的思路很直白：LLM 负责“想”，Playwright 负责“做”。browser-use 做中间翻译：把网页“整理成 AI 看得懂的样子”，再把 AI 的动作变成真实的点击/输入。
3.2 关键流程拆解（配流程图）
第 1 步：AI“看”网页
不是直接读 HTML 源码（太长了，LLM 吃不消）
用 Accessibility Tree（无障碍树）简化页面结构
只保留可交互元素：按钮、输入框、链接
举个例子：
```
原始HTML：3000行
简化后：
Button: "登录" (id=login-btn)
Input: "用户名" (id=username)
Input: "密码" (id=password)
Link: "忘记密码" (id=forgot)
**第 2 步：AI 决策**
LLM 看到简化后的页面 + 你的目标，然后判断下一步：
比如“要登录，先填用户名”，输出动作：`fill(id=username, value="myname")`
**第 3 步：执行动作**
browser-use 把动作翻译成 Playwright 命令，真实操作浏览器，并把截图/状态回传给 AI：“我已经填好用户名了。”
**第 4 步：循环迭代**
AI 看新页面继续做下一步，直到任务完成。
### 3.3 为什么这个设计很聪明？
- **省 Token**：不喂全部 HTML 给 LLM
- **提高准确率**：只让 AI 关注能操作的元素
- **适应性强**：网页改版了，AI 往往还能找到“登录按钮”这类关键点
---
四、10 分钟上手：从安装到第一个脚本跑起来
4.1 环境准备（别慌，很简单）
你需要：
- Python 3.11+（建议 3.12）
- 一个 OpenAI API Key 或 Claude API Key
- 5 分钟耐心
安装命令：
```bash
# 1. 安装browser-use
pip install browser-use
# 2. 安装Playwright（控制浏览器的底层库）
playwright install chromium
# 3. 装个辅助库（可选，方便异步操作）
pip install asyncio
常见问题：
“playwright install 失败”：多半网络问题，挂代理或换源
“chromium 下载慢”：可以试
playwright install --with-deps chromium
4.2 第一个脚本：让 AI 帮你搜东西
场景：我想知道 GitHub 上 browser-use 有多少 star
```python
import asyncio
from langchain_openai import ChatOpenAI
from browser_use import Agent
async def main():
llm = ChatOpenAI(
model="gpt-4o",
api_key="你的API Key"
)
agent = Agent(
task="去GitHub搜索browser-use项目，告诉我有多少个star",
llm=llm
)
result = await agent.run()
print(result)
asyncio.run(main())
```
运行效果基本是“看热闹式震撼”：
Chrome 自动打开 → 进 GitHub → 搜索 → 点项目 → 找 star → 回答你。
第一次跑的注意事项：
Chrome 会弹出来，别关掉，那是 AI 在工作
速度取决于网速和模型响应，一般 20–30 秒
如果你在公司网环境，偶尔会卡在 GitHub 的验证页面，这不是你的错
4.3 加点料：把数据保存下来
import asyncio
import json
from langchain_openai import ChatOpenAI
from browser_use import Agent
async def main():
llm = ChatOpenAI(model="gpt-4o")
agent = Agent(
task="""
去GitHub搜索browser-use，提取以下信息：
1. Star数量
2. Fork数量
3. 最近一次提交时间
把结果保存成JSON格式
""",
llm=llm
)
result = await agent.run()
with open("github_data.json", "w", encoding="utf-8") as f:
json.dump(result, f, indent=2, ensure_ascii=False)
print("数据已保存到 github_data.json")
asyncio.run(main())
这里有个小经验：你越明确它输出什么格式，后面越省时间。别指望 AI 自动替你“整理成你想要的样子”，你得提前把标准定好。
五、实战案例：解决真实业务问题
5.1 案例 1：竞品价格监控（我周五遇到的问题）
需求描述：
每周监控 50 个竞品 SaaS 的定价
记录价格变化
自动发送报告
核心脚本（先跑通 5 个再扩大，别一上来就 50 个并发把自己封了）：
```python
import asyncio
from browser_use import Agent
from langchain_openai import ChatOpenAI
import pandas as pd
from datetime import datetime
competitors = [
{"name": "Notion", "url": "https://notion.so/pricing"},
{"name": "Airtable", "url": "https://airtable.com/pricing"},
]
async def scrape_competitor(competitor):
llm = ChatOpenAI(model="gpt-4o")
agent = Agent(
task=f"""
访问 {competitor['url']}
提取所有付费套餐的价格，格式：
{{
"套餐名称": "价格",
"套餐名称2": "价格2"
}}
""",
llm=llm
)
result = await agent.run()
return {
"competitor": competitor["name"],
"pricing": result,
"timestamp": datetime.now()
}
async def main():
tasks = [scrape_competitor(c) for c in competitors[:5]]
results = await asyncio.gather(*tasks)
df = pd.DataFrame(results)
df.to_excel(f"pricing_{datetime.now().strftime('%Y%m%d')}.xlsx", index=False)
print("抓取完成！")
asyncio.run(main())
```
实际效果（以我当时的数据为例）：
5 个网站，8 分钟左右跑完
Cookie 弹窗、订阅弹窗大多数能自己处理
准确率 90%+（剩下那 10% 通常是页面设计太“反人类”）
踩坑记录（真踩过）：
坑 1：并发太高被 Cloudflare 拦 → 降并发 + 每个任务加随机间隔
坑 2：有些网站要点“See Pricing”才显示价格 → task 里写清楚“如果没看到价格先找入口”
坑 3：价格格式不统一 → 让它按 JSON 输出，并要求统一币种/周期（例如统一成“USD/月”）
5.2 案例 2：招聘信息批量收集
场景：HR 让你去 Boss 直聘收集 “AI 工程师” 岗位薪资范围
```python
async def scrape_jobs():
llm = ChatOpenAI(model="gpt-4o")
agent = Agent(
task="""
1. 访问 Boss直聘
2. 搜索"AI工程师"
3. 提取前30个岗位的：公司名、薪资、要求
4. 保存为CSV格式
""",
llm=llm
)
result = await agent.run()
return result
```
实际心得：
登录最好手动做，拿 Cookie 给它用（不然验证码能把你折磨到怀疑人生）
滚动加载的页面，要写明“向下滚动直到加载 30 条”
数据清洗还是要你自己过一遍，尤其是岗位标题/薪资这种花样很多
5.3 案例 3：自动化测试（我的副业）
场景：测试自己网站表单提交流程
```python
async def test_form_submission():
agent = Agent(
task="""
1. 访问 http://localhost:3000/contact
2. 填写表单：
- 姓名：Test User
- 邮箱：
- 留言：This is a test message
3. 点击提交
4. 检查是否出现"提交成功"提示
5. 截图保存为 test_result.png
"""
)
```
比 Selenium 香的点很现实：
不用写一堆定位器
页面小改版不至于全军覆没
你可以用“人说的话”写用例，迭代速度很快
六、进阶技巧：让 AI 更聪明
6.1 优化 Task 描述（最重要）
差的写法：
```python
task = "帮我抓点数据"
```
好的写法（像在带实习生）：
```python
task = """
目标：提取Amazon商品评论
步骤：
访问 {product_url}
滚动到评论区
点击"查看更多评论"按钮3次
提取前50条评论的：星级、日期、内容
返回JSON格式：[{"rating": 5, "date": "2024-01-01", "text": "..."}]
"""
```
总结一句：写清楚步骤 + 写清楚停止条件 + 写清楚输出格式，成功率会直接上一个台阶。
6.2 处理复杂交互
下拉菜单、日期选择器这类“人类觉得简单，脚本写起来很烦”的交互，反而是它的舒适区：
```python
task = """
访问携程机票预订页
选择出发地：北京（从下拉菜单选择）
选择目的地：上海
选择日期：2024年3月15日（使用日期选择器）
点击搜索
提取最便宜的3个航班信息
"""
```
6.3 错误处理和重试
from browser_use import Agent, BrowserConfig
agent = Agent(
task="...",
llm=llm,
browser_config=BrowserConfig(
headless=False,
disable_security=True,
),
max_actions_per_step=10,
)
try:
result = await agent.run()
except Exception as e:
print(f"执行失败：{e}")
await agent.browser.screenshot(path="error.png")
我的经验是：调试阶段别 headless。你看着它哪里卡住，比盲猜强太多。
6.4 成本控制（重要）
Token 消耗大概是这样的（按常见任务粗算）：
每一步操作：~1000 tokens（页面简化 + 决策）
平均一个任务：10–20 步
单次任务成本：大概 $0.02–0.05（用 GPT-4o）
省钱技巧：
简单任务用
gpt-4o-minitemperature 设 0，提高稳定性
批量任务尽量复用流程，减少“无意义探索”
from langchain_openai import ChatOpenAI
llm = ChatOpenAI(
model="gpt-4o-mini",
temperature=0
)
七、哪些场景适合用？哪些不适合？
7.1 ✅ 适合的场景
1）数据采集（最佳场景）
竞品监控、招聘信息收集、电商价格对比、新闻汇总
2）自动化测试
E2E、回归、UI 交互测试
3）重复性操作
表单批量填写、定期报告生成（合法合规前提下）
4）探索性任务
“帮我找出这个行业的 Top10 公司”
“对比这三个工具的功能差异”
7.2 ❌ 不适合的场景
1）高频实时任务
每秒级抓取，用传统爬虫更合适（LLM 反应慢，成本也高）
2）结构化且稳定的数据提取
如果页面结构固定，BeautifulSoup/接口抓取更快更便宜
browser-use 的优势是“灵活”，不是“极致效率”
3）强验证码场景
图片验证码基本别指望
滑块偶尔能过，但不稳定，业务上不可靠
4）违法违规操作
别拿它做灰产
尊重 robots.txt 和网站条款
八、常见问题（我踩过的坑）
8.1 “AI 一直在点同一个按钮，停不下来”
原因：任务描述不清楚，AI 不知道什么时候算完成
解决：写明停止条件
```python
task = """
点击"加载更多"按钮，直到出现"没有更多内容"提示
或者已经加载了50条数据，就停止
"""
```
8.2 “执行到一半就卡住了”
原因：页面加载慢，AI 等不及
解决：增加 timeout
```python
browser_config = BrowserConfig(
timeout=60
)
```
8.3 “提取的数据格式乱七八糟”
原因：没指定输出格式
解决：给输出模板，最好带示例
```python
task = """
...
输出格式示例：
{
"title": "商品标题",
"price": 99.99,
"rating": 4.5
}
"""
```
8.4 “Chrome 一直报错‘无法连接’”
原因：Playwright 没装好或浏览器依赖出问题
解决：
```bash
playwright install --force chromium
```
总结：
工具永远只是工具，关键是你拿它解决什么问题。
browser-use 对我最大的价值，不是“更酷”，而是把我从“手动搬砖的人”变成了“给 AI 派活的人”。以前我做竞品分析，80% 时间在复制粘贴；现在我把那 80% 交给自动化，把精力放回到更值钱的部分：判断、归纳、策略。
如果你也经常被“收集一堆网页信息”这种任务折磨，真可以试试：先从 3–5 个网站跑通，再逐步扩到 50 个、100 个。跑通那一刻你会发现，周五晚上也能是周五晚上。
