Agentic Browser：用三个AI Agent 接管你的浏览器

想象一下这样的场景：你对着一台电脑说"帮我查一下京东上 iPhone 16 的最新价格，然后把最便宜的三个链接发给我"，然后什么都不用管，AI 就自动打开浏览器、导航到京东、输入关键词、筛选商品、整理结果——整个过程像有一位不知疲倦的数字助手在替你操作。这不是科幻，而是 Agentic Browser 正在做的事情。

背景：为什么需要AI Agent操控浏览器

大语言模型（LLM）的强大能力让 AI 写文章、编程、分析数据都不在话下，但它们始终有一个局限：无法直接和真实世界的网页交互。RPA（机器人流程自动化）工具虽然能模拟人类操作网页，但依赖固定的规则和坐标，一旦页面布局发生变化，整个流程就会崩溃。传统爬虫更是需要专业人员编写解析代码，门槛极高。

Agentic Browser 的出现正是为了解决这个痛点。它基于 PydanticAI 构建——这是 Pydantic 团队开源的新一代 Python Agent 框架，提供了结构化输出、多模型支持、清晰的 Agent 定义范式。项目于 2025 年 1 月发布，由 TheAgenticAI 团队开发，虽然仓库创建至今仅约两周就获得了 415 颗 GitHub 星标，但已经展现出相当的工程成熟度。

核心架构：三角 Agent 协作体系

Agentic Browser 的设计精髓在于其 Planner — Browser — Critique 三角色分工协作 架构。源码中 core/orchestrator.py（约 30KB）是整个系统的中央调度器，它负责管理三个 Agent 的生命周期和消息流转。

Planner Agent（规划者） 是整个系统的策略大脑。当用户输入自然语言任务后，Planner Agent 首先对任务进行拆解：将"帮我找 iPhone 16 价格"拆解为"打开京东 → 输入 iPhone 16 → 点击搜索 → 提取商品列表 → 排序 → 提取前三个链接"等可执行步骤。它不仅做计划，还会根据执行反馈动态调整后续计划，体现了自我纠错能力。Planner Agent 每次输出的不仅是下一步动作，还有完整的执行计划树。

Browser Agent（执行者） 是直接与浏览器交互的前线战士。它基于 Playwright 驱动真实 Chromium 浏览器，执行"打开 URL"、"点击按钮"、"输入文字"、"提取 DOM 内容"等原子操作。源码 core/agents/browser_agent.py（约 14KB）展示了它如何将 LLM 的自然语言指令翻译为 Playwright API 调用。特别值得注意的是，项目支持截图分析（SS Analysis）功能——Browser Agent 可以对页面截图后，用视觉模型（GPT-4o Vision 等）分析截图内容，这对于处理验证码、复杂 UI 交互等纯 DOM 难以描述的场景至关重要。

Critique Agent（评审者） 是质量守门员。每个 Browser Agent 执行完成后，Critique Agent 会审查执行结果：通过分析 DOM 变化和截图，验证操作是否达到了预期效果。如果发现"搜索按钮点了但页面没跳转"或者"输入框内容不完整"，Critique Agent 会触发重试或要求 Planner Agent 重新规划。这三者的协作模式形成了一个完整的反馈循环：Plan → Execute → Critique → Re-plan（如果需要）→ Done。

技术栈：Python生态的全明星阵容

从 requirements.txt 的依赖分析可以清晰看到项目的技术选型：

特别值得一提的是 logfire 的引入——这是 Pydantic 团队自研的可观测性工具，基于 OpenTelemetry 标准构建，让 Agent 内部的思维链路和工具调用变得透明可查。对于需要调试复杂 Agent 行为的开发者来说，这是非常实用的功能。

项目还内置了 10 个可复用的 Browser Skills（core/skills/ 目录），包括 click_using_selector.py、enter_text_using_selector.py、open_url.py、google_search.py、pdf_text_extractor.py 等，封装了常见浏览器操作。这些 Skills 以 PydanticAI 工具函数的形式注册到 Browser Agent 中，实现了能力的模块化复用。

部署与使用：有Docker但需自备API Key

部署方面，项目提供了 Dockerfile（基于 python:3.11），可以容器化运行。Dockerfile 安装了 playwright 驱动和系统依赖，启动后运行 FastAPI 服务 uvicorn core.server.api_routes:app，监听 8000 端口。不过需要注意两点：

1. API Key 必须自备：无论是 GPT-4o、Claude 还是其他模型，都需要用户自己准备并配置到 .env 文件中。项目支持文本模型和截图分析模型分别配置（AGENTIC_BROWSER_TEXT_MODEL 和 AGENTIC_BROWSER_SS_MODEL），还支持 Google Custom Search API。

2. 截图分析是可选模块：AGENTIC_BROWSER_SS_ENABLED 控制是否启用截图视觉分析，开启后会额外消耗视觉模型的 token。

本地开发模式则需要安装 uv 环境管理工具，创建 Python 3.11 虚拟环境后 uv pip install -r requirements.txt，再执行 playwright install 安装浏览器驱动即可上手。

局限与挑战：谨慎看待"智能"程度

Agentic Browser 作为一个早期项目（创建仅两周），也面临一些现实挑战：

• 网站反爬机制：自动化浏览器操作在面对 Cloudflare、验证码墙、IP 限制时会遇到障碍。
• 页面结构变化的脆弱性：虽然比传统 RPA 更智能，但当目标网站的 DOM 结构大幅变化时，仍然需要重新调整选择器策略。
• Steel.dev API：项目中引入了 STEEL_DEV_API_KEY，这可能是用于某些高级浏览器功能的付费服务，增加了使用成本的不确定性。
• 资源消耗：运行 Playwright + 多个 LLM 模型，对内存和网络带宽要求不低。

行业意义：从"能用AI聊天"到"AI能替你操作"

Agentic Browser 代表了 AI Agent 在 Web 自动化领域的一个务实方向。它没有追求"通用超级 Agent"的大而全，而是专注于"浏览器自动化"这个具体场景，通过三个专业化 Agent 的协作，实现了感知-决策-执行的闭环。

这种架构的价值在于：Planner 负责思考，Browser 负责执行，Critique 负责验证——每个角色的能力边界清晰，便于独立优化。对于希望将 AI 能力落地到具体业务流程（如竞品监控、数据采集、表单填写）的开发者和企业来说，这类工具值得关注和试用。