用Python構建能使用瀏覽器的AI代理
本文介紹瞭如何使用Playwright、browser-use和LangGraph在Python中構建能瀏覽和操作真實網站的AI代理。文章涵蓋了Playwright相較於Selenium的優勢（持久WebSocket連線、內建瀏覽器二進位制、自動等待等）、環境搭建步驟、動態頁面抓取、多步驟表單填寫、反爬蟲處理、會話持久化以及Docker部署。透過實際程式碼示例，讀者將學會構建一個能導航網站、填寫表單、提取結構化資料並透過LLM決策的瀏覽器代理。
用Python構建能使用瀏覽器的AI代理
大多數AI代理教程從API開始，教你如何呼叫OpenWeather、Stripe端點或從GitHub拉取資料。這是一個不錯的起點，但當你嘗試構建真實應用時，會發現許多需要的任務根本沒有API支援。
人類每天用瀏覽器做的事情——填寫政府表格、檢視競爭對手價格、從那些透過JavaScript渲染來保護資料的網站提取研究資料、登入從未聽說過OAuth的門戶——這些任務大約有11億個網站，其中只有極少數提供公共API，其餘只“說瀏覽器語言”。
一個只限於API呼叫的代理只能處理人類日常工作約5%的任務。而賦予代理瀏覽器能力後，覆蓋範圍接近100%。這正是本文要解決的問題。
據估計，2026年全球AI代理市場規模為109.1億美元，預計到2030年將達到503.1億美元，其中具備瀏覽器能力的代理是增長核心。已有27.7%的企業在生產環境中執行基於瀏覽器的代理，而兩年前這個數字幾乎為零。工具已經成熟，模式也已穩定，可以系統地教授。
為什麼選擇Playwright而非Selenium
五年前，瀏覽器自動化幾乎都使用Selenium。Selenium仍然廣泛部署、工作正常，也不會消失。但對於2026年的任何新專案，Playwright是預設選擇。原因很實際。
Selenium透過向WebDriver傳送獨立的HTTP請求與瀏覽器通訊，每次點選、輸入、滾動都是一次單獨請求。Playwright則為整個會話使用持久WebSocket連線，命令透過該通道流動，沒有每次操作的往返開銷。獨立基準測試一致顯示，Playwright在測試套件級別比Selenium快30-50%，每次操作平均約290毫秒，而Selenium約536毫秒。對於可能執行數百次操作的瀏覽器代理，這種差距會疊加。
Playwright還捆綁了自己的瀏覽器二進位制檔案。安裝時，你會獲得與Playwright版本相容的Chromium、Firefox和WebKit預配置版本，沒有驅動版本不匹配或CI流水線因Chrome更新而中斷的問題。它內建了自動等待——在點選元素前會驗證元素可見、啟用且不在動畫中，無需編寫time.sleep(2)碰運氣。
對於AI代理，Playwright觸發真實的滑鼠和鍵盤事件，模擬人類與瀏覽器的互動方式。設計用於檢測自動化的網站會尋找合成DOM點選，而Playwright的互動模型更難與真實人類輸入區分。
此外還有browser-use庫，它位於更高一層。browser-use是一個Python庫，為LLM提供可工作的瀏覽器。底層使用Playwright驅動瀏覽器，但LLM讀取頁面狀態並決定點選、輸入和提取什麼，無需CSS選擇器。你只需用自然語言描述任務，它就會完成剩下的工作。本文將覆蓋原始Playwright和browser-use，因為它們滿足不同需求：Playwright用於精確、可預測的控制，browser-use用於代理自主處理導航決策。
環境搭建
你需要Python 3.10或更高版本、OpenAI API金鑰以及大約五分鐘時間。
- 建立虛擬環境：
python -m venv browser_agent_env，然後啟用（Linux/macOS:source browser_agent_env/bin/activate；Windows:browser_agent_env\Scripts\activate）。 - 安裝依賴：
pip install playwright browser-use langchain langchain-openai langgraph langchain-community python-dotenv。 - 安裝瀏覽器二進位制檔案：執行
playwright install chromium（或playwright install安裝所有三種引擎）。這是許多人遺漏的步驟。 - 儲存API金鑰：在專案目錄中建立
.env檔案，加入OPENAI_API_KEY=your_api_key_here，並立即新增到.gitignore。 - 驗證工作環境：執行一個簡單指令碼，導航到example.com，讀取標題並截圖儲存。如果執行成功，環境就配置好了。
網頁導航與抓取
你之所以需要Playwright而不是requests+BeautifulSoup，是因為JavaScript渲染。現代網站先傳送HTML框架，然後透過JavaScript動態構建實際內容（React、Vue、Angular、Next.js）。普通的HTTP請求只能獲取框架，而Playwright執行真實瀏覽器，可以像人類一樣看到所有JavaScript執行後的內容。
示例目標為books.toscrape.com，這是一個合法的抓取練習沙盒。它分頁顯示結果，使用動態類名錶示評級，較真實地反映了電商產品頁的結構。
核心程式碼展示瞭如何使用wait_for_selector等待特定元素出現後再提取資料，而不是固定延時。評級提取透過CSS類名（如star-rating Three）解析出文本值。這是處理動態頁面時常見的模式。
與LLM整合：瀏覽器代理的工作流
將瀏覽器操作連線到LLM，可以使用browser-use庫和LangGraph構建代理工作流。基本概念是：LLM（如GPT-4）讀取當前頁面內容，決定下一步操作（點選、輸入、提取、導航），然後執行並觀察結果，迴圈直到任務完成。
對於高階用例，需要處理反爬蟲檢測（如使用更真實的使用者代理、調整視口大小、隨機延遲）、管理會話狀態（保持登入狀態）以及使用Docker容器化部署，確保可重現性和隔離性。
L總結
本文從零開始構建了一個能使用瀏覽器的AI代理：從Playwright的基礎知識到與LangGraph和browser-use整合，再到實際部署考慮。無論你是要自動化填寫表格、抓取動態資料，還是構建一個能自主瀏覽網頁的AI助手，這些模式都適用。瀏覽器代理已將AI能力擴充套件到API無法覆蓋的95%的網站任務中。