你不知道的是：当国内还在讨论通用Agent什么时候能用时，海外开发者已经把「AI操作浏览器」做成了三条成熟的开源路线，免费、可自托管、能跑生产环境。 本文拆解 Browser Use、Stagehand、Skyvern 三个项目——它们分别代表 Agent、框架、RPA 三种打法，看完你就能知道该把哪个抄进自己的工作流。
大模型会写代码、会写文案之后，行业卡在了一个尴尬点：大部分企业的数据和工作流锁在网页里——后台管理系统、订货平台、政务网站、保险报价页。这些页面没有API，只有「人眼+鼠标」这一条路。
海外社区把这个问题叫 Computer Use / Browser Agent，今年已经从 demos 卷进了生产环境。我本周把三个头部项目的 README 全部过了一遍，发现它们的思路差异大到值得单独写一篇文章。先说结论：
它让AI像人一样开网页、点按钮、填表单。README里给了三个典型场景：拿简历自动投 job application、抓粉丝数据导出 CSV、对自己本地网站做QA测试并报告bug。
两个信息差点值得划线：
第一，它官方自报在 Odysseys 长程网页任务榜单上以 87.4% 平均分排第一，排在一众大厂 computer-use 产品前面（数据来自其官方README，属自报成绩，基准开源在 github.com/browser-use/benchmark，可自行复核）。
第二，它有个「一句话装进Claude Code」的玩法：把README给的安装prompt粘给 Claude Code / Codex / Cursor，Agent会自己装好 browser-use、注册 skill、连上你的浏览器。之后你就能对编程Agent说「把这个视频上传到YouTube」「对比这三台笔记本给我一张价格表」——编程Agent调度浏览器Agent，套娃但好用。
三步上手（摘自官方README）：
uv add browser-use # 需要 Python >= 3.11
# .env 里配 BROWSER_USE_API_KEY 或直接用 GOOGLE_API_KEY / ANTHROPIC_API_KEY
from browser_use import Agent, ChatBrowserUse
agent = Agent(
task="Find the number of stars of the browser-use repo",
llm=ChatBrowserUse(model='anthropic/claude-sonnet-4-6'),
)
await agent.run()
省钱细节：它的 ChatBrowserUse 支持 openai/gpt-5.5、anthropic/claude-sonnet-4-6 这种「厂商前缀」写法，一把 key 调多家模型；还有开源预览版小模型 bu-30b-a3b-preview 可以本地跑。官方自报其专用模型比通用模型完成浏览器任务快 3-5 倍。
适用人群：要给自己的应用加「自动上网」能力的后端/数据工程师；已经在用 Claude Code 想扩展手脚的个人开发者。
npx create-browser-appBrowser Use 的哲学是「全自动」，Stagehand 的哲学是「你能预测的部分写代码，预测不了的部分才用AI」。这正是它和一票demo级产品的分水岭——生产环境要的是确定性。
三个核心API一眼看懂：
await stagehand.act("click on the stagehand repo"); // 自然语言执行动作
const agent = stagehand.agent();
await agent.execute("Get to the latest PR"); // 多步任务
const { author, title } = await stagehand.extract( // 带schema抽结构化数据
"extract the author and title of the PR", z.object({...})
);
真正的杀手锏是缓存+自愈：Stagehand 会把AI执行过的动作缓存下来，重复运行时不再调用LLM推理，零token成本、毫秒级执行；等网站改版导致缓存失效，它才重新唤起AI来「自愈」。README原话叫 Write once, run forever。对于每天跑几百次的采集/巡检任务，这个设计直接把成本曲线打下来了——这恰好呼应了海外最近热议的「别卷Prompt，卷缓存命中率」的思潮，只不过别人在卷KV缓存，它在卷动作级缓存。
另一个被低估的功能：AI动作可以先预览再执行（preview before run），上线前人工过一遍，心就稳了。
与国内对比：国内做浏览器自动化的团队大多还停在 Playwright/Puppeteer 手写选择器，或者买商业RPA按坐席付费、闭源黑盒。Stagehand 这类「代码为主、AI兜底、缓存省钱」的开源框架路线，国内社区讨论度明显偏低。
适用人群：TypeScript 技术栈、要把自动化能力做进SaaS产品的团队；对token成本敏感的高频任务。
前两家多少还依赖DOM，Skyvern 走的是视觉路线：用 Vision LLM 看页面再决定怎么点，不预埋XPath，所以「网站改版就挂」这个RPA祖传痛点被天然规避。它官方自报在 WebBench 上以 64.4% 拿到 SOTA，且在WRITE类任务（填表、登录、下载文件）上是表现最好的Agent——这正是国内企业最普遍的诉求场景。
三分钟跑起来（README实测路径）：
pip install "skyvern[all]"
skyvern quickstart # 默认SQLite，无需Postgres/Docker
# 打开 http://localhost:8080 就有Web界面
几个国内用户会眼前一亮的细节：
page.click("#btn") 照常跑，改成 page.click(prompt="点绿色提交按钮") 就是AI点击，还能写成「选择器优先、失败回退AI」的混合模式chrome://inspect 开远程调试，Skyvern 直接操控你带登录态的Chrome；云版也能通过隧道控制你本机浏览器经典落地案例（官方列出）：跨几十个供应商网站批量下载发票、制造业采购比价、政府网站填表注册、多语言保险报价抓取。
适用人群：企业里维护「网页后台流水线」的IT/数据团队；接RPA外包活的服务商（AGPL注意自查）。
flowchart TD
A["需求是哪一种"] --> B["一次性任务，丢给现有编程Agent"]
A --> C["要做进产品里的自动化代码"]
A --> D["表单填报类流水线，非技术同事参与"]
B --> E["Browser Use CLI 一句话接入"]
C --> F{"团队主力语言"}
F --> G["TypeScript 高频任务怕token贵"]
F --> H["Python 想要榜单一把抓"]
G --> I["Stagehand 动作缓存自愈"]
H --> J["Browser Use Python库"]
D --> K["Skyvern 视觉RPA加无代码编排"]
一句话记忆：人偶尔干→Browser Use；代码天天跑→Stagehand；表单流水线→Skyvern。
| 维度 | 你以为的 | 实际情况 |
|---|---|---|
| AI操作浏览器 | 只有Manus类闭源产品，按次付费 | 三大开源项目免费自托管，MIT协议可商用 |
| 可靠性 | AI点页面必然乱点 | Stagehand缓存+自愈，动作级复用零token |
| 登录墙 | Agent过不了2FA | Skyvern原生TOTP+Bitwarden，验证码/代理走云版 |
| 成绩 | 大厂computer-use最强 | Browser Use自报Odysseys 87.4%登顶（自报数据，基准开源可复核） |
| 老代码 | 要推倒重写 | Skyvern是Playwright超集，一个prompt参数升级 |
| 国内替代 | 只有商业RPA按坐席收费 | 开源路线本地SQLite即可起服务，成本≈LLM调用费 |
page.click("#btn-123")，给最脆的3个加上 prompt= 参数，观察回退行为本文由「51学通信」技术团队出品。51学通信由通信行业18年老兵爱卫生（微信ID: gprshome201101）维护。 聚焦5G/6G核心网、3GPP标准、AI工具实战。知识星球「51学通信」提供深度技术答疑和行业洞察。
[!tip] 51学通信知识星球 星主：爱卫生（微信：gprshome201101）——公众号「51学通信」创办者，19 年通信行业运维与讲师经验，著有《GPRS网络信令实例详解》《EPC原理与实践》《5G核心网原理与实践》三本纸质书（各大电商平台有售）。 星球定位：深耕 5G 核心网、IMS、NFV/AI、云原生等 ICT 领域，主打运维岗位与信令分析。 当前规模：5200 篇主题 / 990 个回答，198 元/年。 加入福利：加入星球后请加爱卫生微信，拉您进知识星球年度陪伴与答疑群——不限量回复您的各种问题，另有群内分享。 AI 加持：51学通信知识星球已作为 skill 接入 WorkBuddy，使用 deepseek-4-flash 在海量星球帖子中精准找贴、找视频、找 FAQ 和案例，做总结、找文档和 PPT 等场景全覆盖。