openbrowser
赋予 AI Agent 浏览器自动化能力，让大模型真正操控网页完成任务的开源框架
加载项目详情…
本应用为开源项目，仅供学习研究，请遵守其开源协议。
微信扫码咨询客服
POMOAI — 让开源 AI 即刻运行
赋予 AI Agent 浏览器自动化能力，让大模型真正操控网页完成任务的开源框架
加载项目详情…
本应用为开源项目，仅供学习研究，请遵守其开源协议。
你用 ChatGPT 问"今天微博热搜是什么"，它能给你一段总结。但如果你让它实际打开微博、操作登录、提取数据呢？大多数 AI 模型会告诉你它没有浏览器权限。
这正是 Open Browser 想要解决的问题。它是一个开源的 TypeScript 框架，赋予 AI Agent 直接控制浏览器的能力——点击、输入、滚动、截图、自主导航，真正在真实网站上完成任务。截至 2025 年，该项目已获得超过 9000 颗 GitHub 星标，被认为是 AI Agent 领域最重要的浏览器自动化工具之一。
大语言模型（LLM）的崛起让 AI 能理解自然语言、生成代码、分析数据。但它们的知识存在一个致命局限：训练数据有截止日期。对于实时新闻、股票价格、动态网页内容，AI 只能靠"猜"。
解决这个问题的技术路径有两条：一条是网页爬虫（提前抓取数据喂给 AI），另一条是让 AI 直接操作浏览器。后者更灵活、更通用——AI 不再是被动接收数据，而是主动探索互联网，像人一样在网页上操作。
Open Browser 的作者 ntegrals 正是在这一背景下启动了项目。它并非凭空创造，而是站在 Playwright 的肩膀上，为 AI Agent 提供了一套原生的网页交互协议。
从项目架构来看，Open Browser 采用了清晰的三层模型：
第一层是 Agent。这是整个系统的"大脑"，负责接收自然语言任务指令，将当前网页状态（DOM 快照、可交互元素列表、URL、标题等）打包后发送给 LLM（大语言模型），LLM 决定下一步要执行什么动作，然后将指令传递给下层。
第二层是 Commands（命令层）。Agent 发出的指令在这里被解析和执行。Open Browser 内置了超过 25 种命令，覆盖了常见网页操作场景：点击元素（click）、输入文本（type）、打开 URL（open）、提取内容（extract）、截图（screenshot）、执行 JavaScript（eval）、滚动页面等。命令通过 Zod 进行 Schema 校验，确保 Agent 发出的指令格式正确。
第三层是 Viewport（浏览器层）。这是实际运行浏览器的底层，基于 Playwright 实现。Viewport 负责启动浏览器实例、管理页面生命周期、捕获 DOM 快照、过滤可交互元素，并提供事件回调机制。
用一句话概括这个架构的工作流程：用户描述任务 → Agent 分析页面 → LLM 决策 → Command 执行 → Viewport 反馈结果 → 循环直到完成。
Open Browser 的另一大亮点是对多模型的支持。项目基于 Vercel AI SDK 构建了一层抽象 Adapter，目前支持三大主流 LLM 提供商：
-p openai -m gpt-4o-p anthropic-p google这种灵活性让开发者可以根据任务需求和成本预算自由切换模型，而无需修改上层业务代码。对于需要 Claude 长上下文能力的复杂任务、对 GPT-4o 速度优先的场景、以及对 Gemini 成本的考量，都能找到最优解。
让 AI 控制浏览器存在显而易见的安全风险：如果 AI 被引导执行恶意操作（访问钓鱼网站、下载恶意文件、泄露敏感 Cookie），后果不堪设想。
Open Browser 通过 @open-browser/sandbox 包提供了沙箱隔离能力，开发者可以为 Agent 设置以下限制：
这些能力对于在生产环境中部署 AI Agent 至关重要——既释放了 AI 的浏览器操作能力，又将风险控制在可接受范围内。
虽然开源项目常常止步于"能跑就行"，Open Browser 明显面向生产环境设计。项目提供了大量生产级特性：
Stall Detection（卡顿检测）：Agent 有时会陷入循环——反复尝试同一个操作但始终失败。Stall Detector 监控连续失败次数，超过阈值后主动终止任务，避免资源浪费。
Cost Tracking（成本追踪）：每个 LLM API 调用都有成本。Metering 模块自动记录 token 消耗，让开发者清楚知道每次任务的实际花费。
Session Management（会话管理）：支持在多个浏览器 Tab 之间导航，支持 Cookie 持久化（保存登录状态），支持录制和回放（Trace/Recording）方便调试。
Interactive REPL：一个 browser> 提示符的交互式命令行，开发者可以直接输入命令操作浏览器，不需要写代码，适合快速探索和调试。
从技术选型来看，Open Browser 的核心依赖非常清晰：
项目采用 monorepo 结构，三个 npm workspace：
open-browser：核心库，包含 Agent、Commands、Viewport、Model 等核心模块@open-browser/cli：命令行入口，提供 run、interactive 等命令@open-browser/sandbox：沙箱执行环境从部署角度来看，Open Browser 属于"轻量级 CLI 工具"类别。安装只需 bun install，运行只需 bun run open-browser run "<任务描述>"。不需要 Docker，不需要 GPU，一台普通的 Linux/Mac 机器即可。
优势：安装简单、文档清晰、多平台支持（Bun 支持 macOS/Linux/Windows）
不足：依赖本地安装 Playwright 浏览器（npx playwright install），首次安装需要下载 Chromium/Firewall/WebKit，耗时较长。此外，由于涉及浏览器自动化，在无头模式（headless）下表现最佳，但某些需要视觉验证的场景可能受限。
整体部署难度评为"简单"——有 Node.js/Bun 经验的开发者可以在 5-10 分钟内完成安装和第一个任务的运行。
客观来说，Open Browser 也存在一些局限：
多模态能力依赖外部模型：项目本身不包含视觉模型，截图功能需要 LLM 支持视觉理解（GPT-4V、Claude with Vision 等）。纯文本模型无法充分利用截图能力。
长任务可靠性有限：对于需要 50+ 步骤的复杂任务，Agent 的错误累积概率增加，可能在中途迷路或陷入循环。虽然有 Stall Detector 保底，但无法从根本上消除长任务的不确定性。
Playwright 维护成本：Playwright 版本更新可能带来 breaking change，需要持续跟进维护。
文档为英文：对于中文开发者社区来说，全英文文档增加了一点上手门槛。
不过，考虑到项目本身的活跃度和 MIT 开源协议的开放性，这些问题都有改善空间。
Open Browser 代表着 AI Agent 从"聊天"走向"行动"的重要趋势。在真实世界中，大量信息和服务以网页形式存在——银行后台、SaaS 工具、社交媒体、电商平台。AI 如果无法与这些网页交互，就永远只能充当"聊天机器人"而非真正的数字助手。
从更宏观的视角看，Open Browser 是 AI Agent 工具生态链上的一个关键节点。它与 MCP（Model Context Protocol）、Tool Use API 等标准一起，正在构建 AI Agent 连接真实世界的协议层。可以预见，未来越来越多的 AI 应用将具备"浏览器操作能力"，而 Open Browser 为这一趋势提供了一个高质量的开源参考实现。
截至目前，该项目在 GitHub 上保持活跃更新，持续为 AI Agent 开发者提供稳定可靠的浏览器自动化能力。对于想要构建自动化网页任务、爬虫、RPA（机器人流程自动化）或任何需要 AI 操控浏览器的开发者来说，这是一个值得深入研究和实践的优质项目。