BUA：让浏览器自动化学会"读懂"网页

痛点场景：为什么传统爬虫总在崩溃

凌晨两点，程序员小李第 17 次修改他的爬虫脚本——某个电商网站改了商品列表的 CSS 类名，他花了两个小时重新定位每个选择器。网站运营人员并不知道，他们每一次 UI 改版都在制造新的"爬虫地震"。这不只是小李一个人的困扰：传统的浏览器自动化依赖硬编码的 CSS Selector 或 XPath，网站每更新一次布局，脚本就瘫痪一次，维护成本随着网站迭代线性增长。

BUA（Browser Use Agent）正是为解决这个顽疾而生。它的核心理念很简单：不再告诉机器人"点什么"，而是告诉它"你想要什么"。

背景科普：Go 语言 + Google ADK 的新组合

BUA 由 Go 开发者 anxuanzi 创建，是一个将大语言模型引入浏览器自动化的开源项目。它站在 Python 生态中 browser-use、Playwright MCP 等前辈的肩膀上，但选择了一条不同的技术路线：完全基于 Go 语言实现，底层使用 go-rod 库操控 Chrome DevTools Protocol，结合 Google Agent Development Kit（ADK）驱动 AI 决策引擎，调用 Gemini 系列模型理解页面内容并规划操作步骤。

这种架构有几个鲜明特点：首先，Go 的并发优势让 BUA 在处理多标签页、多任务编排时天然高效；其次，go-rod 相比 Puppeteer/Playwright 的 Python 绑定更轻量，内存占用更低；最后，Google ADK 提供了标准化的 Agent 运行时，工具调用（Tool Calling）、多轮对话记忆、session 管理均有成熟实现。

核心功能：一条指令，AI 自动完成多步操作

BUA 的使用方式极为简洁——用自然语言描述任务，Agent 自动完成。以下是几个典型场景：

电商比价任务：输入"访问京东和天猫，搜索 iPhone 16，找出同款价格最低的三个商家"，Agent 会依次打开两个浏览器标签，分别在两个平台搜索，对结果进行截图，由 Gemini 模型提取价格信息，最终汇总返回。过程中的翻页、弹窗处理、页面滚动全部由 AI 自适应完成，无需任何选择器配置。

表单自动填写：传统自动化中，定位每个表单字段是最大的工程量。BUA 只需要说"填写这份注册表单，姓名用张三，邮箱用 test@example.com"，Agent 会分析页面 DOM 结构，理解每个输入框的语义，自动完成填写并提交。

端到端测试：对于前端开发者，可以用自然语言描述用户旅程："登录 → 进入设置 → 修改头像 → 退出"，Agent 自动执行并在每一步截图记录，由 AI 判断页面是否正常渲染。

在实现层面，BUA 的 Agent 决策流程如下：接收任务描述 → 截取当前页面截图 → 将截图（配合 DOM 序列化文本）发送给 Gemini → Gemini 分析当前状态，决定下一步操作（点击、输入、滚动等）→ go-rod 执行操作 → 重复直到任务完成或达到最大步数上限。

技术细节：架构分层与核心组件

BUA 的代码库结构清晰，分以下几个核心包：

• agent/：Agent 核心逻辑，包含 BrowserAgent（主控制器）、ADK 工具集（adk_tools.go）、消息管理器（message.go）和 token 计费模块。BrowserAgent 基于 Google ADK 的 llmagent 构建，支持多轮推理和工具调用。
• browser/：浏览器层，封装 go-rod 的 browser.go 提供浏览器启动、标签管理；page.go 处理页面级操作；stealth.go 实现反检测功能——伪造 WebGL 指纹、随机化 User-Agent、模拟人类操作延迟。
• dom/：页面解析层，element.go 定义 DOM 元素接口，extract.go 提供内容提取工具，serialize.go 将页面 DOM 序列化为 AI 可读的文本描述。
• screenshot/：截图与标注，支持在截图上叠加操作元素的边框和序号标签（ShowAnnotations 模式），便于调试和可视化追踪。

Config.go 定义了多个质量预设（Preset）：fast 模式使用纯文本无截图，适合简单查询以节省 token；balanced（默认）在质量与成本间取得平衡；max 模式提供最高清截图用于复杂页面分析。

依赖方面，go.mod 显示核心依赖为 go-rod（Chrome DevTools 封装）、google.golang.org/adk（Agent 开发框架）、google.golang.org/genai（Gemini API 客户端）。

上手门槛与局限

BUA 并非零门槛的"开箱即用"产品。使用者需要满足以下条件：Go 1.25+ 开发环境、本地安装 Chrome/Chromium 浏览器、从 Google AI Studio 申请 Gemini API Key。API Key 的配置和计费管理是实际使用中的主要摩擦点——对于没有 Google 账号或不便访问海外服务的用户，门槛较高。

此外，作为纯库（Library）而非独立服务，BUA 没有提供 Web-UI 或命令行交互界面，需要开发者将其集成到自己的 Go 应用中。相比 Python 生态中 browser-use 的快速原型体验，BUA 更适合将浏览器自动化能力作为系统组件集成到现有 Go 服务里。

从稳定性角度看，GitHub 数据显示该项目仅 86 stars、9 forks，尚处于早期阶段。仓库中包含 e2e 测试用例，但测试覆盖率和持续集成状态需要进一步观察。MIT 许可证对商业使用友好，这是加分项。

行业意义与趋势

BUA 代表了一个正在兴起的技术方向——Agentic Web Automation。传统爬虫和 RPA（机器人流程自动化）的核心矛盾在于"规则"与"变化"的对抗：规则越具体，适应性越差；规则越通用，实现越复杂。大语言模型改变了这一方程：Agent 不再依赖精确规则，而是理解语义并自适应规划。

从 Python 到 Go 的迁移也有深意：Go 在云原生、CLI 工具、后台服务领域的主导地位，使得 BUA 天然适合集成到 Kubernetes CronJob、CI/CD 流水线或 DevOps 自动化脚本中。未来若结合 Ollama 等本地模型支持，有望进一步降低部署门槛。