学习如何配置代理

概述

Agent 类是 Browser Use 的核心组件，负责浏览器自动化。以下是初始化代理时可以使用的主要配置选项。

基本设置

  1. from browser_use import Agent
  2. from langchain_openai import ChatOpenAI
  4. agent = Agent(
  5.     task="搜索关于人工智能的最新新闻",
  6.     llm=ChatOpenAI(model="gpt-4o"),
  7. )

必需参数

  • task: 代理需要执行的指令
  • llm: 一个 LangChain 聊天模型实例。请参阅 LangChain 模型 以了解支持的模型。

代理行为

控制代理的操作方式：

  1. agent = Agent(
  2.     task="你的任务",
  3.     llm=llm,
  4.     controller=custom_controller,  # 用于自定义工具调用
  5.     use_vision=True,              # 启用视觉功能
  6.     save_conversation_path="logs/conversation"  # 保存聊天日志
  7. )

行为参数

  • controller: 代理可以调用的函数注册表。默认使用基础 Controller。有关详细信息，请参阅 自定义函数。
  • use_vision: 启用/禁用视觉功能。默认为 True。
    • 启用时，模型将处理来自网页的视觉信息
    • 禁用以减少成本或使用不支持视觉的模型
    • 对于 GPT-4o，每张图片的处理费用大约为 800-1000 个令牌（约 $0.002 USD），但这取决于定义的屏幕大小
  • save_conversation_path: 保存完整对话历史的路径。对于调试很有用。
  • system_prompt_class: 自定义系统提示类。有关自定义选项，请参阅 系统提示。

建议启用视觉功能，以获得更好的网页交互理解，但可以禁用以减少成本或在使用不支持视觉的模型时。

（重用）浏览器配置

你可以配置代理如何与浏览器交互。有关更多 Browser 选项，请参阅 浏览器设置 文档。

重用现有浏览器

browser: 一个 Browser Use 浏览器实例。提供时，代理将重用该浏览器实例，并为每个 run() 自动创建新上下文。

  1. from browser_use import Agent, Browser
  2. from browser_use.browser.context import BrowserContext
  4. # 重用现有浏览器
  5. browser = Browser()
  6. agent = Agent(
  7.     task=task1,
  8.     llm=llm,
  9.     browser=browser  # 将重用浏览器实例
  10. )
  12. await agent.run()
  14. # 手动关闭浏览器
  15. await browser.close()

请记住：在此场景中，Browser 不会自动关闭。

重用现有浏览器上下文

browser_context: 一个 Playwright 浏览器上下文。适用于保持持久会话。有关详细信息，请参阅 持久浏览器。

  1. from browser_use import Agent, Browser
  2. from playwright.async_api import BrowserContext
  4. # 使用特定浏览器上下文（推荐方法）
  5. async with await browser.new_context() as context:
  6.     agent = Agent(
  7.         task=task2,
  8.         llm=llm,
  9.         browser_context=context  # 使用持久上下文
  10.     )
  12.     # 运行代理
  13.     await agent.run()
  15.     # 将上下文传递给下一个代理
  16.     next_agent = Agent(
  17.         task=task2,
  18.         llm=llm,
  19.         browser_context=context
  20.     )
  22.     ...
  24. await browser.close()

有关浏览器上下文的更多信息，请参阅 Playwright 文档。

你可以为多个代理重用相同的上下文。如果什么都不做，浏览器将在 run() 完成后自动创建和关闭。

运行代理

代理通过异步 run() 方法执行：

  • max_steps（默认值：100）
    代理执行期间可以采取的最大步骤数。此限制防止无限循环并有助于控制执行时间。

代理历史

该方法返回一个 AgentHistoryList 对象，包含完整的执行历史。这个历史记录对调试、分析和创建可复现的脚本非常有用。

  1. # 访问历史的示例
  2. history = await agent.run()
  4. # 访问一些有用的信息
  5. history.urls()              # 访问过的 URL 列表
  6. history.screenshots()       # 截图路径列表
  7. history.action_names()      # 执行过的操作名称
  8. history.extracted_content() # 执行过程中提取的内容
  9. history.errors()            # 发生的任何错误
  10. history.model_actions()     # 所有操作及其参数

AgentHistoryList 提供了许多帮助方法来分析执行情况：

  • final_result(): 获取最终提取的内容
  • is_done(): 检查代理是否成功完成
  • has_errors(): 检查是否发生了错误
  • model_thoughts(): 获取代理的推理过程
  • action_results(): 获取所有操作的结果

有关完整的帮助方法和详细历史分析功能，请参阅 AgentHistoryList 源代码。

无 LLM 执行初始操作

通过 这个示例，你可以在没有 LLM 的情况下运行初始操作。将操作作为字典指定，其中键是操作名称，值是操作参数。你可以在 Controller 源代码中找到所有操作。

  1. initial_actions = [
  2.   {'open_tab': {'url': 'https://www.google.com'}},
  3.   {'open_tab': {'url': 'https://en.wikipedia.org/wiki/Randomness'}},
  4.   {'scroll_down': {'amount': 1000}},
  5. ]
  6. agent = Agent(
  7.   task='页面上显示了哪些理论？',
  8.   initial_actions=initial_actions,
  9.   llm=llm,
  10. )

使用规划模型运行

你可以配置代理使用单独的规划模型进行高层任务规划：

  1. from langchain_openai import ChatOpenAI
  3. # 初始化模型
  4. llm = ChatOpenAI(model='gpt-4o')
  5. planner_llm = ChatOpenAI(model='o3-mini')
  7. agent = Agent(
  8.     task="你的任务",
  9.     llm=llm,
  10.     planner_llm=planner_llm,           # 用于规划的单独模型
  11.     use_vision_for_planner=False,      # 禁用规划模型的视觉功能
  12.     planner_interval=4                 # 每 4 步进行一次规划
  13. )

规划参数

  • planner_llm: 用于高层任务规划的 LangChain 聊天模型实例。可以使用比主要 LLM 更小/更便宜的模型。
  • use_vision_for_planner: 启用/禁用规划模型的视觉功能。默认为 True。
  • planner_interval: 规划阶段之间的步骤数。默认为 1。

使用单独的规划模型可以帮助：

  • 通过使用更小的模型进行高层规划来减少成本
  • 改进任务分解和战略思维
  • 更好地处理复杂的多步骤任务

规划模型是可选的。如果未指定，代理将不会使用规划模型。