browser-use/browser-use

Browser Use – オープンソースのAIブラウザエージェント

概要 – Browser Useは、大規模言語モデルベースのエージェントが実際のWebブラウザを制御できるようにするPython（およびTypeScript）ライブラリです。ローカルのChromeインスタンスまたは管理された「クラウドブラウザ」（時間単位でレンタルできる、安価でステルス性が高く、プロキシ対応のブラウザ）に対して実行できます。このライブラリにはCLIと、プロンプト、ツール統合、結果抽出を処理するフル機能のAgentクラスが付属しています。

主な機能

• 31のブラウザアクション（クリック、入力、スクロール、DOM読み取りなど）を、ツール使用をサポートする任意のLLM（Claude、GPT、Geminiなど）向けのツールとして公開。
• CAPTCHA回避と住宅用プロキシ – オプションのBrowser Use Cloudサービスを介して提供。
• プラグ可能なLLMバックエンド – OpenAI、Anthropic、Googleモデルを直接使用するか、ブラウジングに最適化された独自のChatBrowserUse（BU2）モデルを使用。
• カスタムツールサポート – エージェントがタスク中に呼び出せる任意のPython関数（例：UTC時間の取得）を登録可能。
• 3つの使用パス：
  1. 完全ホスト型クラウドAPI（タスクを送信すると、Browser Useがエージェントとブラウザを実行）。
  2. 既存のエージェントにブラウザアクセスを提供するCLI。
  3. 独自コードに埋め込むPythonライブラリ。
• ベンチマークスイート（Browser Use Benchmark v2） – 難しいWeb自動化タスクにおけるモデルパフォーマンスを評価。

典型的なワークフロー（Pythonライブラリ）

# インストール（Python ≥3.11とuvが必要ですが、pipでも動作します）
uv add browser-use
# OpenAIキー（またはBrowser Use APIキー）を.envに配置
 echo "OPENAI_API_KEY=sk‑…" >> .env

import asyncio, os
from browser_use import Agent, Browser, ChatOpenAI, ChatBrowserUse
from dotenv import load_dotenv
load_dotenv()

async def main():
    llm = ChatOpenAI(model='gpt-4o-mini')          # または ChatBrowserUse('bu-2-0')
    agent = Agent(task='Find the number of stars of the browser-use repo', llm=llm)
    history = await agent.run()
    print(history.final_result())

asyncio.run(main())

エージェントはブラウザを起動し、GitHubに移動してスター数を抽出し、それを出力します。

使用するタイミング

• 反復的なWebタスクの自動化（フォーム入力、予約、データ抽出）。
• 最新のWeb情報を必要とするAIアシスタントの構築。
• LLM駆動のWebナビゲーションやブラウザ自動化モデルのベンチマークに関する研究。
• LLMが静的インデックスではなくブラウジングでデータを取得するRAGパイプラインのプロトタイピング。

はじめに

• パス1 – クラウドAPI：cloud.browser-use.comにサインアップし、$15のクレジットを取得して、クイックスタートガイドに従ってホスト型エージェントエンドポイントを呼び出します。
• パス2 – CLI：browser-use CLIをインストールし、browser-use skill installを実行してから、提供されたプロンプトをお気に入りのLLMコードアシスタント（Claude Code、Codexなど）に貼り付けます。
• パス3 – ライブラリ：上記のスニペットに従います。Browser(use_cloud=True)に切り替えて、管理されたクラウドブラウザで実行することもできます。

ドキュメントとコミュニティ

• ドキュメント：https://docs.browser-use.com（インストール、カスタムツール、Claudeとの統合、ベンチマーク結果）。
• ブログとデモ：https://browser-use.com/showcase。
• サポート：Discord、Twitter、および例、ベンチマーク、関連プロジェクト（Browser Harness、Video Use、macOS Harness）を含む公開GitHubリポジトリ。

ライセンス – MIT（ライブラリ自体は無料。クラウドブラウザとモデル推論は別途請求）。

---

Browser Useを使用すると、LLMに「ページを開いて、ボタンをクリックして、結果を読んで」と指示し、構造化された回答を得ることができ、Webをインタラクティブな知識ソースに変えます。