Любой QA-инженер и архитектор автоматизации знаком со скрытым налогом хрупких CSS- и XPath-селекторов. Один фронтенд-релиз переименовывает класс-обертку или смещает модальное окно в DOM-дереве, и вся цепочка детерминированных RPA-скриптов останавливается за одну ночь.
Browser-Use (browser-use/browser-use) — это открытая Python-библиотека под лицензией MIT, предоставляющая LLM-агентам прямое управление веб-браузером: клики, ввод текста в формы, работу с вкладками и извлечение результатов по цели на естественном языке. Фреймворк сочетает примитивы Playwright с типизированным слоем Chrome DevTools Protocol (cdp-use) и включает встроенный сервер Model Context Protocol (MCP).
Важно
- Разделение логики и браузера: Изолирует слой рассуждений LLM от управления браузером и поставляет встроенные обертки для OpenAI, Anthropic, Google Gemini и локальных моделей через Ollama.
- Индексированный DOM + опциональное зрение + чистый CDP: Сериализует интерактивные элементы в компактные индексы, при необходимости дополняет их скриншотами и выполняет быстрые команды через
cdp-use. - Встроенный MCP и тандем с Firecrawl: Запускается как
browser-use --cli-mcpдля кодинг-агентов и дополняет Firecrawl там, где требуются авторизация и интерактивные действия.
От хрупких селекторов к агентному циклу восприятия и действия
Классическая автоматизация опирается на неизменный контракт интерфейса: дождаться элемента с ID X, кликнуть по XPath Y, прочитать таблицу Z. Такой подход остается самым быстрым и дешевым для стабильных внутренних панелей, но регулярно ломается на быстро меняющихся SaaS-порталах, кабинетах поставщиков и многошаговых формах с динамической валидацией.
В проектах корпоративной автоматизации, которые Kling Digital реализует в рамках направления решения искусственного интеллекта, главная практическая ценность Browser-Use заключается в гибридном цикле восприятия. Чисто визуальные агенты тратят слишком много токенов на угадывание пиксельных координат и часто промахиваются в плотных формах. Browser-Use выделяет интерактивные элементы DOM (кнопки, поля, ссылки, списки) в структурированный пронумерованный индекс и при необходимости подкрепляет его размеченными скриншотами. Даже если CSS-класс кнопки изменится, агент выберет нужный элемент по тексту, ARIA-атрибутам и окружающему контексту.
Та же структурная четкость важна и для ваших собственных сайтов: проверка ресурсов с помощью SEO-краулера и паука сайта и аудита GEO и ИИ-поиска выявляет пробелы в семантической разметке, влияющие как на поисковых роботов, так и на браузерных агентов.
Архитектура ядра: цикл агента, BrowserSession и типизированный CDP (cdp-use)
Архитектура Browser-Use разделена на три понятных инженерных уровня:
1. Цикл агента и встроенные LLM-обертки
Библиотека не привязывает разработчика к одному провайдеру и не требует тяжелых сторонних фреймворков оркестрации. В пакет встроены клиенты ChatOpenAI, ChatAnthropic и ChatGoogle. На каждом шаге агент оценивает состояние страницы и историю действий, вызывает типизированный инструмент (click_element, input_text, scroll, extract_content), проверяет переход состояния и сам корректирует план при появлении всплывающих окон или ошибок валидации.
2. Абстракции BrowserProfile и BrowserSession
BrowserProfile: Статический шаблон конфигурации, задающий режимheadless, размеры окна, прокси, белый список доменов (allowed_domains) и каталог профиля (user_data_dir).BrowserSession: Событийный менеджер жизненного цикла браузера, отвечающий за вкладки, устойчивость подключений, выполнение команд и корректное завершение сессии.
3. Переход от оберток Playwright к типизированному CDP (cdp-use)
Если ранние релизы строились преимущественно поверх высокоуровневого Playwright, то современная архитектура активно использует низкоуровневый Chrome DevTools Protocol (CDP) через сопутствующую библиотеку cdp-use (CDPClient). Автогенерируемые Python-типы TypedDict для доменов CDP (DOM, Page, Target, Runtime) снижают накладные расходы, повышают скорость команд и упрощают прямое подключение по WebSocket к локальным или удаленным экземплярам Chromium.
Практический пример на Python SDK для продакшена
После установки (pip install browser-use) задайте строгие границы исполнения через BrowserProfile, allowed_domains и max_steps:
import asyncio
from dotenv import load_dotenv
from browser_use import Agent, ChatAnthropic
from browser_use.browser import BrowserProfile, BrowserSession
load_dotenv()
async def run_audit_task():
profile = BrowserProfile(
headless=True,
window_width=1280,
window_height=900,
allowed_domains=["docs.browser-use.com", "github.com"],
)
session = BrowserSession(browser_profile=profile)
agent = Agent(
task=(
"Открой docs.browser-use.com, найди раздел документации по MCP-серверу "
"и перечисли доступные CLI-инструменты."
),
llm=ChatAnthropic("claude-sonnet-4-5"),
browser_session=session,
max_steps=15,
)
history = await agent.run()
print(history.final_result())
if __name__ == "__main__":
asyncio.run(run_audit_task())
Для детерминированных сценариев без LLM-цикла разработчики могут напрямую использовать from cdp_use.client import CDPClient и вызывать типизированные команды вроде cdp.send.Target.getTargets() и cdp.send.Page.navigate(...).
Сравнение Browser-Use с Firecrawl, Playwright и классическим RPA
Браузерный агент создан для интерактивной неопределенности, а не для массового скачивания тысяч статических страниц. Прогонять LLM-шаг на каждой из десяти тысяч страниц документации слишком медленно и дорого. Матрица ниже помогает разграничить задачи:
| Критерий | Browser-Use | Firecrawl | Playwright / Selenium | Классический RPA |
|---|---|---|---|---|
| Устойчивость к изменениям UI | Высокая (семантический DOM + зрение) | Высокая (общее извлечение Markdown) | Низкая (жесткие CSS/XPath) | Низкая–средняя (зависит от верстки) |
| Логин и многошаговые формы | Автономная навигация по цели | Ограниченные базовые действия | Полный контроль жесткими скриптами | Записанные жесткие сценарии |
| Скорость и цена за страницу | Средняя (инференс LLM на каждый шаг) | Очень высокая, низкая цена | Очень высокая, 0 затрат на LLM | Средняя скорость, дорогие лицензии |
| Массовая индексация для RAG | Подходит для закрытых порталов | Лидер для документации и сайтов | Требует ручной очистки HTML | Не подходит для RAG |
| Поддержка MCP | Встроенная (browser-use --cli-mcp) | Официальный сервер firecrawl-mcp | Нужны внешние мосты | Преимущественно закрытые системы |
| Лицензия | MIT | AGPL-3.0 | Apache-2.0 | Проприетарная / коммерческая |
Совет
Двухэтапный веб-конвейер: Поручите массовый обход публичных сайтов и конвертацию в Markdown архитектуре из нашего руководства по Firecrawl для RAG, а Browser-Use подключайте для авторизованных кабинетов, динамических фильтров и заполнения форм. Общую картину взаимодействия с изолированными агентами разработки смотрите в обзоре трендов экосистемы открытых ИИ-агентов за ноябрь 2026 года и в разборе OpenHands в песочнице.
Встроенный MCP-сервер и работа с реальными сессиями
Помимо автономных Python-скриптов, Browser-Use выступает инструментом браузера для десктопных и терминальных кодинг-агентов через встроенный stdio MCP-сервер:
browser-use --cli-mcp
Клиенты вроде Claude Desktop, Cursor и Claude Code получают три базовых инструмента:
browser_exec(code): Выполняет Python-команды управления браузером (new_tab,goto_url,page_info,click_at_xy,type_text,js,cdp).browser_screenshot(full, max_dim): Делает снимок видимой области или всей страницы с ограничением разрешения.browser_login(force): Управляет авторизацией в удаленных управляемых браузерах Browser Use Cloud.
Минимальная локальная конфигурация MCP:
{
"mcpServers": {
"browser-use": {
"command": "browser-use",
"args": ["--cli-mcp"],
"env": {
"ANTHROPIC_API_KEY": "sk-ant-YOUR_KEY"
}
}
}
}
В локальном режиме сервер подключается к открытому Chrome через удаленную отладку CDP или поднимает временный headless Chromium. Для параллельных удаленных сессий переменная BROWSER_USE_API_KEY направляет выполнение в облачные демоны Browser Use Cloud.
Безопасность, защита от Prompt Injection и контроль затрат
Предоставление автономному агенту живого браузера с активными cookie создает существенно более широкую поверхность атаки, чем текстовый чат-бот. Сторонние сайты могут содержать непрямые инъекции промптов (indirect prompt injection) в скрытых DOM-узлах или комментариях, пытаясь увести агента на вредоносный URL или украсть сессию.
Предупреждение
Обязательные меры защиты в продакшене: Никогда не запускайте Browser-Use поверх личного браузерного профиля администратора. Используйте выделенные сервисные учетные записи с минимальными правами в сетевых изолированных Docker-контейнерах, задавайте строгий белый список BrowserProfile.allowed_domains и добавляйте человеческое подтверждение (human-in-the-loop) перед финансовыми, необратимыми или административными действиями. Всегда соблюдайте правила целевых сайтов и границы проверок на человека — попытки обхода механизмов контроля доступа недопустимы.
Управление бюджетом токенов, наблюдаемость и гибридный откат
На каждом шаге агент отправляет обновленный слепок DOM и опционально изображение. Без ограничений зацикленный сценарий быстро исчерпывает лимит API. В продакшене всегда задавайте max_steps, направляйте простую навигацию в быстрые компактные модели (оставляя флагманские для сложных форм) и переносите стабильные повторяющиеся шаги в детерминированные скрипты Playwright, оставляя Browser-Use как адаптивный резерв на случай изменения верстки.
Не менее важна наблюдаемость исполнения: сохранение структурированной истории действий (history), фиксация URL каждого перехода, временных меток и выборочных скриншотов позволяет командам воспроизводить инциденты, измерять процент успешного завершения задач и оперативно обновлять белые списки доменов. Такой дисциплинированный подход превращает экспериментальный браузерный скрипт в предсказуемый корпоративный микросервис с прозрачной стоимостью каждого запуска.
Управляемые браузерные агенты вместе с Kling Digital
Надежная браузерная автоматизация строится на воспроизводимых трассировках, белых списках доменов, журналах аудита, регулярном мониторинге лимитов токенов и детерминированных резервных маршрутах для критичных бизнес-сценариев. Если ваша команда внедряет Browser-Use, Firecrawl или MCP-конвейеры в бизнес-процессы, свяжитесь с архитекторами Kling Digital через страницу контактов либо проверьте готовность своего сайта к ИИ-системам с помощью инструмента аудит GEO и ИИ-поиска.




