**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。 --- ## 一、为什么这波值得盯：浏览器是AI最后的「双手」 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： - **Browser Use**：通用性最强，榜单成绩最好，适合当「全能选手」 - **Stagehand**：工程化最好，代码与AI混写+自动缓存，适合「写进产品」 - **Skyvern**：RPA替代性最强，视觉模型+无代码工作流，适合「表单流水线」 --- ## 二、三件新货逐一拆 ### 1. Browser Use —— 榜单第一的「全能浏览器Agent」 - **官网**：browser-use.com｜**代码**：github.com/browser-use/browser-use - **协议**：MIT（商用友好） - **形态**：Python库 + CLI + 云服务三合一 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）： ```bash 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 ``` ```python 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。 ### 2. Stagehand —— 「AI不可预测，代码可复用」的工程派 - **官网**：stagehand.dev｜**代码**：github.com/browserbase/stagehand - **协议**：MIT - **形态**：TypeScript 框架（另有 stagehand-python），一行起项目：`npx create-browser-app` Browser 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： ```typescript 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。 ### 3. Skyvern —— 视觉派RPA，专治「没有API的老网站」 - **官网**：skyvern.com｜**代码**：github.com/Skyvern-AI/skyvern - **协议**：AGPL-3.0（注意：给第三方商业产品集成需评估协议传染性） - **形态**：pip 安装 + 本地Web UI + 云服务 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）： ```bash 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：** - **SDK 是 Playwright 的超集**：老代码不用重写。`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 - **2FA/TOTP 原生支持**：QR码、邮箱、短信验证码都能过，还接了 Bitwarden 密码管理器——自动化登录最后一公里 - **无代码Workflow编排**：浏览器任务、循环、HTTP请求、发邮件、自定义代码块拖拽串联，非技术同事也能用 - **本地浏览器直连**：`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 - **接 n8n / Zapier / Make**：可以嵌进现有自动化栈 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）。 --- ## 三、选型路线图 ```mermaid 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。** --- ## 四、信息差总结 | 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 | --- ## 五、行动指南（今晚就能做） 1. **5分钟体感**：装好 browser-use，丢给它一个真实任务，比如「去xx网站把我这个月的账单都下载下来」，观察它的思考轨迹 2. **省一半钱的实验**：把同一个高频采集任务分别用「纯Agent」和「Stagehand缓存模式」跑一周，对比token账单——这是说服老板立项的最硬数据 3. **翻老代码**：找出你项目里最脆的10个 `page.click("#btn-123")`，给最脆的3个加上 `prompt=` 参数，观察回退行为 4. **给非技术同事开个口子**：Docker Compose 起一套 Skyvern（自带Postgres），让运营自己拖工作流，IT只管审批 5. **协议自查**：如果你要做商业化外包交付，优先MIT两件套；Skyvern的AGPL-3.0先过法务 --- ## 六、参考来源 1. Browser Use 仓库与基准：https://github.com/browser-use/browser-use ｜ https://github.com/browser-use/benchmark 2. Odysseys 长程任务榜单：https://odysseysbench.com/leaderboard 3. Stagehand 官网与文档：https://stagehand.dev ｜ https://docs.stagehand.dev 4. Stagehand 仓库：https://github.com/browserbase/stagehand 5. Skyvern 仓库与文档：https://github.com/Skyvern-AI/skyvern ｜ https://www.skyvern.com/docs/ 6. WebBench 浏览器Agent基准：https://webbench.ai --- > 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。