LaVague

当浏览器有了"大脑"：LaVague 如何让 AI 自动操控网页

想象这样一个场景：你需要帮用户完成一份冗长的网页表单填写，或者让 AI 自动帮用户在某个医疗挂号平台上预约医生。以往的方案是写爬虫脚本——但爬虫脆弱、容易被反爬拦、一旦网页改版就报废。而 LaVague 给出的答案是：让 AI 理解网页"该做什么"，而不是死记硬背"怎么做。

这就是 Large Action Model（大型动作模型） 的核心思路——不同于传统 RPA（机器人流程自动化）靠规则驱动，LaVague 由大语言模型驱动，能像真人一样理解网页意图、动态应对变化。目前该项目在 GitHub 已收获超过 6300 颗星，是 Web Agent 领域最受关注的开源框架之一。

从 RPA 到 LAM：让 AI 真正"会用"浏览器

LaVague 由法国安全公司 Mithril Security 于 2024 年 2 月发起，Apache-2.0 开源许可。创始团队长期关注 AI 安全领域，他们发现市面上的 AI 浏览器工具要么依赖规则脚本、要么过度依赖 prompt 工程，灵活性极差。于是他们提出一个更优雅的范式：World Model（世界模型）+ Action Engine（动作引擎）。

这一设计理念来源于一个观察：人在操作浏览器时，大脑里会做两件事——"现在页面显示的是什么"（理解状态）和"我接下来该点哪里、填什么"（规划动作）。LaVague 将这两件事分别交给 World Model 和 Action Engine 处理，形成了一套可解释、可替换、可组合的 Agent 架构。

核心架构：World Model + Action Engine 双引擎驱动

图1：LaVague Agent 核心架构（来源：官方文档）

LaVague Agent 由两个核心组件构成：

World Model（世界模型）：接收用户目标（Objective）和当前网页状态（DOM 结构、Screenshot），输出"指令列表"。它本质上是 LLM + RAG 的组合，会利用项目内置的 Retriever 从知识库中检索相关操作示例作为上下文，确保生成指令的准确性和一致性。你可以理解为"AI 的大脑皮层"——负责思考。

Action Engine（动作引擎）：将 World Model 输出的指令"编译"为 Selenium 或 Playwright 代码，然后实际操控浏览器。编译过程包括：HTML 元素定位、CSS 选择器生成、等待策略配置、iframe 处理等。引擎内置 Python Engine，支持纯 Python 定义动作模板，降低 LLM 调用频率和成本。

两者之间通过 Context（上下文） 对象传递状态，支持流式日志、Token 计数、调试断点。

功能全景：从命令行到企业级部署

多种驱动支持

LaVague 支持三种浏览器驱动，各有优劣：

Web UI 与服务化

内置 Gradio Web UI（lavague-gradio），通过一行 agent.demo() 即可启动交互式 Demo，支持对话式指令输入和实时浏览器画面展示。进阶用户可通过 lavague-server 部署 WebSocket API 服务，将 Agent 能力以 RESTful 接口形式暴露给外部系统。

RAG 检索增强

内置 Retriever Pipeline，支持从本地知识库（如 Hugging Face 文档、Notion 页面）导入操作指南，自动注入到 World Model 提示词中。这意味着你可以用"行业术语"描述目标，Agent 会自动匹配对应操作。

QA 测试自动化

LaVague QA 是基于框架的垂直扩展，将 Gherkin 格式的测试规格（.feature 文件）转化为自动化测试用例。QA 工程师用自然语言写测试场景，AI 自动执行断言验证，大幅降低测试用例维护成本。

代码结构：Monorepo 分层设计

lavague-ai/LaVague/
├── lavague-core/           # 核心引擎包
│   └── lavague/core/
│       ├── world_model.py        # World Model 实现
│       ├── action_engine.py      # 动作引擎 + Python Engine
│       ├── agents.py             # WebAgent 主类
│       ├── retriever*.py         # RAG 检索器
│       ├── token_counter.py      # Token 计数/成本估算
│       └── utilities/            # 定价、遥测、版本检查等工具
├── lavague-gradio/          # Gradio Web UI
├── lavague-server/          # WebSocket API 服务
├── lavague-integrations/     # 第三方集成
├── lavague-qa/               # QA 测试扩展
├── extension_chrome/         # Chrome 浏览器插件（TypeScript）
└── examples/                 # 25+ 完整示例

World Model 默认调用 OpenAI GPT-4o，但支持通过 Context 灵活切换到 Claude、Gemini、Azure OpenAI 等 Provider，满足企业级数据合规需求。

局限与挑战：不完美但诚实

LaVague 并非银弹，以下问题值得关注：

依赖 LLM API 成本：每次网页操作都需要 LLM 调用，复杂任务（10+ 步骤）成本可能达数美元。项目提供了 Token Counter 工具帮助估算，但长期自动化运行需考虑成本控制。

网页动态内容挑战：单页应用（SPA）、React/Vue 框架渲染的动态页面，DOM 结构变化频繁，元素定位可能失效。项目内置的 Navigation Engine 和错误重试机制有一定缓解作用，但不能完全消除。

无官方 Docker 支持：尽管提供 pip 一键安装，但容器化部署需要用户自行编写 Dockerfile，不适合追求"一键部署"的场景。

Chrome 扩展驱动能力有限：扩展模式下无法处理 iframe、不支持无头运行，更适合快速演示而非生产环境。

行业意义：Web Agent 从玩具走向工具

LaVague 的出现代表了 AI Agent 从聊天机器人向执行代理 的进化方向。它解决的痛点非常明确——网页操作是企业软件中最高频的重复性劳动，从 HR 系统录入到电商后台管理，几乎每个岗位都有"点击-填写-提交"的机械流程。

目前 Web Agent 赛道的主要玩家包括：微软的 Semantic Kernel、LangChain 的 LangGraph、以及专注浏览器自动化的 BrowserGym 等。LaVague 的差异化在于：专注文本指令到浏览器动作的端到端映射，不做通用 Agent 框架，以"开箱即用"为目标降低使用门槛。

项目 Roadmap 显示，未来将支持更多多模态模型、更强的多标签页协同，以及企业级 SSO 和审计日志。对于想在内部流程自动化领域试水的团队，LaVague 是目前最具参考价值的开源实现之一。