Cerebellum：用大模型让浏览器自己"逛"网站

项目主页： https://github.com/theredsix/cerebellum
主语言： Python / TypeScript | Stars： 864 | License： MIT

---

场景切入：让 AI 替你完成"在亚马逊找 USB-C 数据线并加入购物车"

你对着屏幕说："帮我找一根 10 英尺长的 USB-C 数据线，加入购物车。" 然后你就可以去泡杯咖啡了。几分钟后回来，购物车里已经躺着一根满足条件的线缆。

这不是科幻。这是 Cerebellum 正在做的事——一个用大语言模型（LLM）驱动浏览器自动化的系统。你告诉它目标，它自己规划路径、自己操作鼠标键盘、自己判断"任务完成了没有"。

图1：Cerebellum 在 Google 搜索中自主导航，找到 USB-C 线缆并加入购物车的完整过程

---

背景：为什么需要 AI 浏览器代理？

传统的网页自动化依赖预定义的规则和 XPath 定位——网站改版了，脚本就废了。RPA（机器人流程自动化）工具同样脆弱，每次页面结构调整都需要工程师重新维护。

而大语言模型带来了一个本质变化：它能理解网页的结构和意图。给定一个"在维基百科找到中本聪的页面"的目标，LLM 可以分析页面内容、理解可交互元素（按钮、输入框、链接），然后决定下一步该点什么。

Cerebellum 的作者 Han Wang（GitHub @theredsix）从这个洞察出发，于 2024 年 9 月启动了 Cerebellum 项目，核心目标很清晰——用 LLM 作为大脑，让浏览器变成一个可以自主完成复杂任务的智能代理（Agent）。

2026 年 6 月更新：项目已在 README 标注为 depreciated（已废弃），原因是团队认为 Agent Browser Protocol（https://github.com/theredsix/agent-browser-protocol）是更好的替代方案，其在 Online Mind2Web 基准测试中达到了 90% 的得分。

---

核心原理：把网页变成一张图，让 LLM 自己找路

有向图世界观

Cerebellum 将整个网页浏览过程建模为一张有向图（Directed Graph）：

• 每个节点（Node） 代表一个网页状态——包含页面截屏、所有可见元素（按钮、输入框、链接）的坐标和描述
• 每条边（Edge） 代表一个操作——点击某个坐标、在输入框打字、按键盘快捷键、滚动页面
• LLM 的任务是从当前节点出发，找到一条通往"目标节点"的路径

这个抽象非常优雅：任何网页浏览任务，本质上都是在图上搜索一条路径。LLM 扮演的角色是"导航规划器（ActionPlanner）"——它接收当前页面状态，输出下一步应该执行什么操作。

执行循环

Cerebellum 的核心是一个循环：

1. 状态捕获：对当前页面截图，提取所有可交互元素的坐标和描述，构建 BrowserState
2. 规划决策：将目标 + 当前状态 + 历史操作序列发给 LLM，LLM 返回下一步动作
3. 动作执行：Selenium 执行鼠标点击/键盘输入/页面滚动等操作
4. 状态更新：新页面加载，回到步骤1
5. 终止判断：LLM 自行判断"目标已达成"或"目标不可实现"，循环结束

图2：Python SDK 端到端示例，AI 自主导航到中本聪的维基百科页面

动作空间（Action Space）

Cerebellum 定义了一套结构化的浏览器动作枚举（BrowserActionType）：

动作类型	说明
left_click	左键单击（最常用）
left_click_drag	左键拖拽
right_click / double_click	右键/双击
mouse_move	鼠标移动
type	在输入框中输入文本
key	键盘快捷键（xdotool 格式，如 ctrl+c）
scroll_down / scroll_up	页面滚动
switch_tab	切换浏览器标签页
success / failure	任务终止信号

LLM 每次只输出一个动作，并在动作中附上坐标（x, y）和推理过程（reasoning）——这使得整个执行轨迹完全可审计、可复现。

---

技术架构：Python + TypeScript 双实现

模块分层

Cerebellum 有两套实现：Python（主要）和 TypeScript（npm 包）：

Python 架构（python/src/cerebellum/）：

• browser.py（14KB）：核心逻辑，包含 BrowserAgent、BrowserState、BrowserAction、ActionPlanner 抽象类等
• planners/anthropic.py（40KB）：Anthropic Claude API 的 ActionPlanner 实现，代码量最大，是与 LLM 交互的核心
• utils.py（4KB）：键盘解析（xdotool 格式 → Selenium Keys）、终端暂停等工具函数

TypeScript 架构（typescript/src/）：

• browser.ts（10KB）：核心类
• planners/anthropic.ts（31KB）：TS 版 Claude 规划器
• util.ts：键盘映射等工具

关键技术栈

依赖	用途
Selenium（selenium>=4.0）	跨浏览器自动化底层驱动
SeleniumBase（>=4.32）	Selenium 高级封装，提供 get_driver() 等便捷方法
Anthropic SDK（>=0.30）	Claude API 调用
Pillow + NumPy	图像处理（viewport 裁剪、鼠标位置标注）
Sharp（TS版）	Node.js 图像处理

训练模块（training/）

training/ 目录包含一个 Jupyter Notebook（mind2web.ipynb，39KB），用于在 Mind2Web 数据集上训练和评估浏览器代理模型。项目计划未来用浏览器会话数据训练本地模型，路线图中明确列出"Train a local model"和"Integrate local model as ActionPlanner"。

数据集使用 osunlp/Multimodal-Mind2-Web——一个多模态网页浏览轨迹数据集，Notebook 中包含将 Mind2Web 轨迹格式转换为 Cerebellum 格式的工具函数。

---

功能亮点与实用场景

已实现

• 跨浏览器支持：只要 Selenium 支持的浏览器（Chrome、Firefox、Edge）都可以，无需额外部署
• 表单自动填写：传入 JSON 数据，Agent 自动解析并填写到对应字段
• 运行时指令注入：可以在运行过程中动态修改目标或添加额外指令
• 多标签页管理：支持在多个浏览器标签页之间切换
• Claude 3.5 Sonnet 集成：目前唯一支持的 LLM，代码中明确硬编码
• Python + TypeScript 双 SDK：pip 和 npm 均可安装
• 完整的类型标注：所有核心类均用 @dataclass 定义，TypeScript 版本有完整 .d.ts

已知局限

• Claude 3.5 安全过滤：无法处理 CAPTCHA，且遇到政治内容页面时会主动拒绝导航——这是模型层限制，无法绕过
• 无数据提取能力：目前只能"操作"网页，还不能"读取"结构化数据（如"把所有商品价格提取成 CSV"）
• 仅支持鼠标/键盘操作：不支持拖拽滑块、文件上传等复杂交互（水平滚动也在 TODO 中）
• 单 Agent 串联：尚不支持多个 Agent 协作

适合的场景

• 自动化测试中的 AI 断言（替代固定断言脚本）
• 竞品价格监控、数据采集（仅限允许爬取的网站）
• 复杂表单批量填写
• 研究用途：生成浏览器操作轨迹数据集

---

上手体验：安装只需一条命令

Python 版本（推荐）：

# 安装
pip install cerebellum

# 设置 API Key
export ANTHROPIC_API_KEY='sk-ant-...'

# 运行示例
python examples/google.py

TypeScript 版本：

npm i cerebellum-ai selenium-webdriver

前置依赖：必须先安装对应浏览器的 WebDriver（ChromeDriver / GeckoDriver）。这是唯一比较麻烦的步骤，不同操作系统的安装方式各不相同。

---

代码质量评估

维度	评分	说明
代码规范	★★★★☆	使用 black（line-length=88）+ ruff 严格检查，mypy 开启 strict 模式
类型安全	★★★★☆	Python 用 @dataclass(frozen=True) + mypy strict，TypeScript 有完整类型定义
测试覆盖	★★★☆☆	pytest 配置完整（cov + html report），但实际测试文件内容未深入审查
文档质量	★★★★★	README 结构完整，Python/TS 各自有独立文档，贡献指南清晰
架构设计	★★★★☆	抽象清晰（ActionPlanner 接口 + BrowserAgent 组合），易于扩展新 LLM

扩展性亮点：ActionPlanner 是一个抽象基类，任何 LLM API（GPT、Claude、Gemini 等）只需实现 plan_action() 方法即可接入。目前仅有 Claude 实现，但架构上完全支持扩展。

---

行业意义与未来演进

Cerebellum 代表了 Web Agent 研究的一个务实路径——不做端到端 RL 训练，而是用 LLM 作为可插拔的规划器，底层用成熟的 Selenium 处理浏览器操作。这种"LLM 规划 + 工具执行"的模式，与 LangChain Agent、AutoGPT 的思路一脉相承，但针对浏览器场景做了深度定制。

从 GitHub 数据看，项目在 2024 年 9 月发布后持续活跃更新（最后 push 为 2026-06-01），collaborators 包括 Han Wang、Darwin Lo、Michael Shuffett、Shane Moran 等多位贡献者。路线图清晰指向"训练本地模型取代 Claude API"——这意味着 Cerebellum 正在从"LLM 工具"向"AI Agent 训练框架"演进。

作者已明确建议：如果想使用生产级的浏览器 Agent，请迁移到 Agent Browser Protocol，该项目的 Mind2Web 得分达到 90%，代表团队的最新技术方向。Cerebellum 本体虽然废弃，但它的设计理念和代码积累已经迁移到了更强大的继任者中。