一个很酷的想法，基于llm的浏览器自动化，这个开源项目有前途

在日常工作和生活中，浏览器几乎是每个人离不开的工具。打开新闻、查资料、看视频，甚至下单买东西，浏览器都能搞定。但你有没有想过，浏览器的某些功能是不是已经显得有些过时？尤其是当我们想自动化某些操作时，传统浏览器似乎并不能完全满足需求。这时候，Browser-Use，一个专为大语言模型（LLM）打造的开源浏览器替代方案，横空出世了！这款工具不仅功能强大，而且可以让你更智能、更便捷地进行信息采集和数据处理。今天就让我带大家来看看它的厉害之处。

Browser-Use 是什么？

简单来说，Browser-Use就是一个专门为大语言模型服务的智能浏览器工具。它不只是简单的浏览网页，而是让语言模型和网页无缝互动，真正实现了“智能浏览”。不像普通浏览器只能靠我们点击、输入等指令操作，Browser-Use 可以自动执行网页中的一些交互任务，并能快速找到所需信息。想象一下，就像有个超级助手，在你发出指令的瞬间，它就能替你搞定一切！

核心功能：让你的工作事半功倍

1. 通用 LLM 支持

这是什么意思呢？简单来说，无论你用的是哪种大语言模型，比如 GPT-4 或者 Claude，Browser-Use 都可以无缝对接。这种开放性让它兼容性极强，适合不同的需求。特别是对于那些需要频繁操作网页的人来说，Browser-Use 是个省时省力的好帮手。

2. 智能元素检测

传统浏览器中，如果你要抓取某个数据点，往往得借助开发者工具手动定位页面元素。而 Browser-Use 可以自动识别页面里的各种交互元素，省去你手动查找的麻烦。比如，你想要采集网页中的新闻标题或者价格信息，这款工具可以轻松帮你搞定，不用再手动筛查每个数据点。

3. 多标签管理

在处理多个任务时，你是不是常常打开好几个标签页？传统浏览器的标签管理虽然方便，但在操作多个标签时，还是容易混乱。Browser-Use 提供了更高效的多标签管理，让你可以轻松管理不同页面，避免乱作一团的局面。

4. XPath 提取

对于开发者来说，获取网页中的具体数据项有时候是件头疼事，如登录态等问题。Browser-Use 支持 XPath 提取，也就是可以通过路径定位的方式，精准获取特定的网页内容。举个例子，你在电商网站上想找某种商品的价格信息，Browser-Use 只需简单配置，就能自动抓取这些信息，再也不需要手动查找。这对于网页信息定期提取特别有帮助，而且因为大模型的能力，也不比太过担心网页结构发生变化而需要调整正则，聪明的大模型会帮你找到你想要的结构化信息。

5. 视觉模型支持

Browser-Use 支持视觉模型识别，意味着它不仅能处理文本，还能分析网页中的图片、图表等视觉信息。这个功能非常适合需要图像识别的任务，比如在社交媒体平台上分析某品牌的曝光度或识别产品图片的内容。

6. 可定制的操作

Browser-Use 允许用户定制自己的交互操作。比如你可以设置自动化的网页刷新、定时截屏，甚至可以针对特定网站进行特定操作，这种灵活性在复杂应用场景中非常有用。

实用案例：用 Browser-Use 找最便宜的机票

Browser-Use 具体怎么用呢？我们来看一个简单的例子。假设你想查找从伦敦飞往吉尔吉斯斯坦的最便宜航班，并且希望直接拿到购票链接，代码可以这样写：

from src import Agent
from langchain_openai import ChatOpenAI

agent = Agent(task='Find cheapest flight from London to Kyrgyzstan and return the url.', llm=ChatOpenAI(model='gpt-4o'))
await agent.run()

是不是很神奇？只要发出一个简单的指令，Browser-Use 就能自动访问多个机票比价网站，找到最便宜的航班信息，并把购票链接返回给你！以前你可能需要花几分钟甚至更久的时间，而现在几秒钟就搞定。

进阶玩法：链式操作实现复杂任务

更令人激动的是，Browser-Use 支持多个代理协同工作，也就是我们常说的“链式操作”。举个例子，你想先打开几个风投公司的官网，然后找出这些公司的创始人名字，这个需求放在传统浏览器中可能要自己一个一个查。但在 Browser-Use 里，我们可以写成这样：

from langchain_anthropic import ChatAnthropic
from src import Agent, Controller

controller = Controller()
agent1 = Agent(task='Open 5 VCs websites in the New York area.', llm=ChatAnthropic(model_name='claude-3-sonnet'), controller=controller)
agent2 = Agent(task='Give me the names of the founders of the companies in all tabs.', llm=ChatAnthropic(model_name='claude-3-sonnet'), controller=controller)

await agent1.run()
founders, history = await agent2.run()
print(founders)

这样的链式操作对于需要复杂数据采集的工作来说，真的是事半功倍。不需要自己点开每个标签页，一个命令就能搞定所有信息抓取任务！

如何快速上手？

https://github.com/gregpr07/browser-use

心动了想试试？别急，这就教你怎么快速上手！首先，你需要创建一个虚拟环境并安装所需的依赖项。安装命令如下：

pip install -r requirements.txt

接着，需要配置你的 API 密钥。复制 .env.example 文件并修改其中的内容：

cp .env.example .env

配置好后，你就可以选择 LangChain 支持的任何 LLM 了。只需稍作配置，Browser-Use 就可以大显身手。

已测试通过的模型：

• • GPT-4o

• • GPT-4o Mini

• • Claude 3.5 Sonnet

• • LLama 3.1 405B

一些看法：Browser-Use 的发展蓝图

Browser-Use 的开发者并没有止步于当前功能，他们还计划为未来加入更多实用特性，比如允许用户保存代理操作并重复执行，这对于进行质量保证测试的用户特别有帮助。此外，他们还计划引入第三方 SERP API，加速 Google 搜索结果的获取速度。这些新功能的加入将进一步提升 Browser-Use 的实用性，让它成为大语言模型的最佳助手。

Browser-Use 绝对是个前途无量的开源项目。如果你正需要一种更加智能化的浏览器替代方案，或是对大语言模型的实际应用感兴趣，不妨去 GitHub 上看看它的源代码，试试这些强大的功能。谁知道呢？你可能会发现它能大大提升你的工作效率，甚至彻底改变你使用网络的方式。