浏览器智能体是什么？替你点击、输入和浏览的 AI

浏览器智能体每一步做什么

给浏览器智能体一个任务：“查一下 browser-use 仓库有多少颗星”。它会启动浏览器，打开搜索页或仓库页，读页面上的内容，再决定下一次点哪里。每个动作由语言模型选定，由一段小程序在真实的浏览器里执行，执行的结果再回到模型手里，模型据此选出下一个动作。

模型自己碰不到浏览器。OpenAI 的 computer use 指南讲了三种接法：模型拿到截图，回答鼠标和键盘动作；模型拿到网页文字和控件，当作函数工具来用；或者浏览器由厂商托管。产品用哪种接法，决定了智能体能看到什么，也决定了它容易在哪里出错。

如果“智能体”这个词对你还陌生，AI 智能体那一课讲了这个循环的一般情况。浏览器智能体，就是把浏览器当作其中一个工具的这种循环。

获得浏览器智能体的五种方式

每一行写出一个产品或项目，以及它的浏览器在哪里运行，依据是厂商自己的页面。前两种用平常的话下达任务，后三种适合写代码或改工具设置的人。

第 2 课用 ChatGPT agent 讲第一行，第 3 课讲最后一行。Playwright MCP 是一个 MCP 服务器，也就是给 AI 客户端接上一个工具的插头。MCP 那一课讲了客户端怎样连接它。

五步跑通第一个浏览器智能体

看清这个循环最快的办法，是亲手跑一遍。Browser Use 是一个开源的 Python 库，它的 README 给出了一份很短的快速入门。你需要 Python 3.11 或更新的版本、uv 包管理器和一个 OpenAI API 密钥。示例里的 BROWSER_USE_API_KEY 那一行是可选的。模型调用由 OpenAI 计费，所以第一个任务要短。

import asyncio

from browser_use import Agent, Browser, ChatBrowserUse, ChatOpenAI
from dotenv import load_dotenv

load_dotenv()

async def main():
    llm = ChatOpenAI(model='gpt-5.6-luna', reasoning_effort='xhigh')
    # llm = ChatBrowserUse(model='bu-2-0')  # Use BU2 instead; requires BROWSER_USE_API_KEY
    agent = Agent(
        task="Find the number of stars of the browser-use repo",
        llm=llm,
        # browser=Browser(use_cloud=True),  # Use a cloud browser; requires BROWSER_USE_API_KEY
    )
    history = await agent.run()
    print(history.final_result())

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

1. 新建一个文件夹，在里面运行 uv init --python 3.12，再运行 uv add browser-use。
2. 新建一个名为 .env 的文件，把密钥写进去：OPENAI_API_KEY=your-key。
3. 把下面的代码保存为 agent.py。任务是一句话，写明一个你能核对的结果。
4. 运行 uv run agent.py。README 说智能体会打开浏览器，查到这个仓库，并打印出它的答案。
5. 自己打开仓库页面，把数字和智能体打印出来的对一对。

代码取自 browser-use 的 README，读取日期为 2026 年 11 月 6 日。两行被注释掉的代码可以换成 Browser Use 自己的模型或云端浏览器，这两样都需要 Browser Use 的 API 密钥。

智能体怎样看网页：看图，还是看结构

这三种接法归结为两种看网页的方式。截图型的智能体拿到一张图，回答的是坐标，就像你用手指着屏幕。结构型的智能体拿到的是文字形式的网页，每个按钮和链接都列在里面。Playwright MCP 属于后一种。它的 README 说，它通过无障碍快照来工作，不需要截图，也不需要视觉模型，还避开了截图方式容易产生的歧义。

Anthropic 的 browser use 示例也反对像素坐标，因为窗口大小一变，坐标就会失效。目标是桌面程序时，截图才是入口。OpenAI 的示例应用用 PyAutoGUI 控制桌面，Anthropic 的 computer use 示例则在 Docker 里控制一个 Linux 桌面。

名称变得很快，所以要看日期

OpenAI 在 2025 年 7 月推出了 ChatGPT agent，在 2025 年 10 月推出了它的 Atlas 浏览器。维基百科记录 Atlas 在 2026 年 8 月 9 日关停，ChatGPT Work 则在 2026 年 7 月推出。年初写的教程，可能还在讲一个已经不存在的菜单。时间线列出了本课程依据的几个带日期的变化。

常见错误

• 轻信智能体的最后一条消息。OpenAI 示例应用的 README 说，最终答案不能证明任务成功了，要去页面上核对。
• 一上来就做花钱或发消息的任务。Anthropic 在 2024 年开放 computer use 时，建议开发者从低风险任务开始，而在公开网页上做只读任务，风险最低。
• 为一个根本不需要账号的任务，交出你日常登录着的浏览器。
• 指望验证码（网站用来确认你是真人的小测试）被自动解开。browser-use 的 README 说，没有哪种浏览器配置能保证每个验证码都能避开或解开。
• 照着教程里的菜单名操作，却没有对照厂商现在的文档，核对教程的日期。

自己试一试

• 把你每周都要在浏览器里做的一件事，写成“起始网页加一个结果”，比如打开一家店的配送页面，报出免运费的门槛。
• 在表里找到这件事：你会先试哪一种？它需要用到你的哪些账号？
• 用你自己的任务，在一个公开网页上跑 browser-use 的快速入门，再把它的答案和网页对一对。
• 找出你以前用过的一篇浏览器智能体教程的日期，核对它里面的菜单名，在厂商现在的文档里还找不找得到。

下一课：把浏览器任务交给 ChatGPT

在 ChatGPT agent 教程里，第 2 课依据 OpenAI 的系统卡，把一个浏览器任务交给 ChatGPT agent，从写任务讲到审批提示。

常见问题

资料来源

1. OpenAI: Computer use guide (2026年11月6日 查阅)https://developers.openai.com/api/docs/guides/tools-computer-use
2. OpenAI: ChatGPT agent system card (2026年11月6日 查阅)https://deploymentsafety.openai.com/chatgpt-agent
3. openai/openai-cua-sample-app README (2026年11月6日 查阅)https://github.com/openai/openai-cua-sample-app
4. browser-use/browser-use README (2026年11月6日 查阅)https://github.com/browser-use/browser-use
5. microsoft/playwright-mcp README (2026年11月6日 查阅)https://github.com/microsoft/playwright-mcp
6. anthropics/anthropic-quickstarts: computer use demo README (2026年11月6日 查阅)https://github.com/anthropics/anthropic-quickstarts/tree/main/computer-use-demo
7. anthropics/anthropic-quickstarts: browser use demo README (2026年11月6日 查阅)https://github.com/anthropics/anthropic-quickstarts/tree/main/browser-use-demo
8. Anthropic: Computer use, Claude 3.5 Sonnet and Claude 3.5 Haiku (2026年11月6日 查阅)https://www.anthropic.com/news/3-5-models-and-computer-use
9. Anthropic: Mitigating prompt injections in browser use (2026年11月6日 查阅)https://www.anthropic.com/research/prompt-injection-defenses
10. Wikipedia: ChatGPT Atlas (2026年11月6日 查阅)https://en.wikipedia.org/wiki/ChatGPT_Atlas
11. Wikipedia: ChatGPT (2026年11月6日 查阅)https://en.wikipedia.org/wiki/ChatGPT
12. Wikipedia: Claude (AI) (2026年11月6日 查阅)https://en.wikipedia.org/wiki/Claude_(AI)