Browser Use 0.12：弃用 Playwright 拥抱 CDP，浏览器自动化迎来新纪元

浏览器自动化一直是开发者面临的老大难问题。无论是运营人员需要批量采集竞品数据，还是测试工程师需要编写 E2E 测试脚本，亦或是开发者希望将浏览器操作集成到 AI Agent 工作流中，传统方案都存在门槛高、维护成本大、成功率低等诸多痛点。近期，一个名为 Browser Use 的开源项目发布了 0.12 版本，以近乎颠覆性的架构升级宣告了浏览器自动化领域的新变革。

极简代码实现复杂浏览器任务

Browser Use 是一款由 YC W25 支持、采用 MIT 协议的开源浏览器自动化工具，目前在 GitHub 上已获得超过 90,000 颗星标。0.12 版本最核心的变化在于：彻底弃用了 Playwright，转而采用 Chrome DevTools Protocol（CDP）直接与浏览器通信。这一架构决策带来了显著的性能提升——命令执行延迟从原来的约 100ms 降低至 50ms，速度提升达 2 倍；同时，得益于 CDP daemon 模式下更精简的上下文传递机制，token 消耗量减少了 50%。

视觉识别：彻底告别脆弱的 CSS Selector

在代码层面，Browser Use 0.12 将易用性推向了新的高度。开发者仅需四行 Python 代码即可创建一个能够自主完成复杂任务的浏览器 Agent：导入必要的模块，定义任务目标，选择大语言模型，初始化浏览器实例，然后调用 run() 方法执行。这个 Agent 能够自动识别页面元素、点击按钮、填写表单、截图保存，整个过程无需编写任何 CSS selector。 在 WebVoyager 基准测试（包含 586 个真实网页任务的权威评测集）中，Browser Use 达到了 89.1% 的成功率，这一数字在开源浏览器 Agent 领域目前处于最高水平。WebVoyager 涵盖 Amazon 下单、GitHub 搜索 PR、查询航班等复杂多步骤任务，其难度远超传统的“打开网页读取标题”类玩具基准。

CDP 架构的深层价值

0.12 版本的另一项重大突破是引入了基于 Gemini 3 的多模态视觉识别能力。传统浏览器自动化高度依赖 CSS selector，但这种方法在现代 Web 开发中面临严峻挑战：React 组件的动态 className、跨域 iframe、Shadow DOM 结构、反爬虫策略等因素，使得 selector 维护成为一项耗时且脆弱的工作。 视觉识别方案从根本上绕过了这一痛点——Agent 直接分析页面截图，识别“我需要点击哪个输入框”、“哪个是提交按钮”，然后将结构化数据映射到复杂的表单控件中。这种方式不仅消除了 selector 维护成本，更能处理跨域 iframe、文件上传等过去难以自动化场景。当然，视觉方案的代价是延迟增加（单步操作从 5 秒延长至 15-20 秒）和 token 成本上升，因此 0.12.6 版本特别引入了 heavy page DOM cap 机制，在页面复杂度高时自动切换回 DOM 模式以平衡速度与准确率。

云浏览器与 CLI 2.0：构建完整生态

除了核心引擎的升级，Browser Use 0.12 还带来了云浏览器服务和 CLI 2.0 两个重要功能。云浏览器服务支持一键开启，开发者无需在本地配置 Chrome 环境和驱动，即可获得可扩展的云端浏览器实例。更值得关注的是，官方文档明确表示云浏览器设置可以绕过任何网站的验证码保护，这意味着自动化流程不再会被 CAPTCHA 打断。 CLI 2.0 则支持将 Browser Use 集成为 Claude Code 或 Codex 的 skill，使浏览器操作成为 AI 编程助手的原生能力。开发者可以在 Claude Code 会话中直接要求 AI“打开 API 文档查看返回格式”或“测试这个登录流程”，无需切换窗口即可完成完整的开发闭环。

如有侵权，请联系删除。