编辑此页 / 查看本页的源代码

编辑此页 查看本页的源代码

Browser-Use RPA with Learning Capability

能操作电脑，并且越做越熟练的 Agent

项目概述

本项目实现了一个具有学习能力的浏览器自动化Agent。该Agent能够：

1. 学习阶段：通过多模态大模型（GPT-4o, Claude, Gemini等）完成新任务，并捕获成功的操作流程
2. 应用阶段：识别相似任务，直接回放已学习的工作流，无需再次调用大模型
3. 持续改进：记录执行指标，不断优化知识库

架构设计

browser-use-rpa/
├── browser-use/          # Browser-use 核心库（未修改）
├── learning_agent/       # 学习Agent封装层
│   ├── agent.py         # 主Agent类，封装browser-use
│   ├── workflow.py      # 工作流数据结构
│   ├── knowledge_base.py # 知识库管理
│   └── replay.py        # 工作流回放器
├── demo_weather.py      # 天气查询演示
├── demo_email.py        # 邮件发送演示
└── knowledge_base/      # 存储学习到的工作流

核心组件

1. LearningAgent (agent.py)

• 封装browser-use的Agent类
• 拦截并记录每个操作步骤
• 提取稳定的XPath选择器
• 管理学习和回放模式

2. Workflow (workflow.py)

• 定义工作流数据结构
• 支持参数化（如不同的收件人、主题等）
• 记录元素选择器和操作参数

3. KnowledgeBase (knowledge_base.py)

• 持久化存储工作流
• 意图匹配算法
• 性能指标跟踪

4. WorkflowReplayer (replay.py)

• 使用Playwright直接控制浏览器
• 智能等待元素加载
• 错误恢复机制

安装

# 1. 安装依赖
pip install -r requirements.txt

# 2. 安装Playwright浏览器
playwright install chromium

# 3. 配置环境变量
cp env.example .env
# 编辑.env文件，添加你的API密钥

使用示例

基本用法

from learning_agent import LearningAgent
from llm_factory import make_llm  # 包装层 LLM 工厂：OpenAI 直连，缺 Key 时 OpenRouter 兜底

# 创建学习Agent
agent = LearningAgent(
    task="发送邮件给test@example.com，主题是'测试'，内容是'这是一封测试邮件'",
    llm=make_llm(),  # 默认 gpt-5.6-luna；无 OPENAI_API_KEY 时走 OpenRouter 兜底
    knowledge_base_path="./knowledge_base",
    headless=False  # 显示浏览器界面
)

# 执行任务
result = agent.run_sync(max_steps=20)

print(f"任务完成: {'成功' if result['success'] else '失败'}")
print(f"执行时间: {result['execution_time']:.2f}秒")
print(f"是否使用已学习的工作流: {result['replay_used']}")

运行演示

demo_email.py 是本实验的主入口，演示「学习一次工作流 → 用不同参数高速回放」这一核心思想。 它提供了完整的中文命令行接口，运行 python demo_email.py --help 可查看所有参数：

# 运行完整的「学习 → 回放」对比演示（默认行为，会打开浏览器）
python demo_email.py

# 快速冒烟测试：只跑一次简单任务，不做学习/回放对比
python demo_email.py --quick

# 无界面模式 + 使用 Gemini 模型
python demo_email.py --model gemini-2.0-flash-exp --headless

# 自定义两个阶段的任务，并把指标对比写入 JSON 文件
python demo_email.py \
    --task '给 a@b.com 发主题为"报告"的邮件' \
    --replay-task '给 c@d.com 发主题为"周报"的邮件' \
    --output results.json

# 天气查询演示（另一个更轻量的例子）
python demo_weather.py

命令行参数说明（demo_email.py）：

参数	说明	默认值
--task	学习阶段的任务描述	向 test@example.com 发送测试邮件
--replay-task	回放阶段的任务描述（参数不同、流程相同）	向 another@example.com 发送邮件
--model	大模型；gpt-* 走 OpenAI（缺 Key 时 OpenRouter 兜底），gemini-* 走 Google	gpt-5.6-luna
--headless	以无界面模式运行浏览器	显示窗口
--knowledge-base	工作流知识库存储目录	./email_knowledge
--max-steps	学习阶段最大操作步数	20
--output	把学习/回放指标与知识库统计写入 JSON 文件	不写出
--quick	快速冒烟测试模式	关闭

预期结果： 第一次运行时，Agent 处于学习阶段，会通过多模态大模型逐步探索并录制「发送邮件」工作流， 耗时较长且产生多次 LLM 调用；随后回放阶段用新的收件人/主题参数复用同一工作流，几乎不再调用大模型， 耗时显著下降。演示结束会打印两个阶段的耗时、LLM 调用次数与知识库统计；若指定了 --output， 上述对比会以结构化 JSON 保存，便于复盘“学习一次、复用多次”带来的成本收益。

注意：完整运行需要有效的模型 API Key（见 .env）以及本地可用的浏览器（playwright install chromium）。 --help 与参数解析本身无需上述依赖即可查看。

验收标准测试

1. 首次任务执行（学习阶段）

运行 demo_email.py，观察第一阶段：

• Agent通过"观察-思考-行动"循环完成任务
• 每步操作都需要调用大模型
• 成功后自动保存工作流到知识库
• 显示执行时间和步骤数

示例输出：

📚 PHASE 1: LEARNING - First Email Task
Task: Send email to test@example.com
🚀 Starting learning phase...
✅ Learning phase completed!
   - Success: ✓
   - Execution time: 35.2 seconds
   - LLM calls made: 12
   - Workflow captured: Yes

2. 重复任务执行（应用阶段）

继续观察第二阶段：

• Agent识别相似任务，匹配已学习的工作流
• 直接回放操作步骤，无需调用大模型
• 自动填充新的参数（收件人、主题等）
• 执行速度显著提升

示例输出：

🚀 PHASE 2: REPLAY - Second Email Task
Task: Send email to another@example.com
🔄 Starting replay phase...
✅ Replay phase completed!
   - Success: ✓
   - Execution time: 8.5 seconds
   - Workflow reused: Yes

🎯 Performance Improvements:
   - Speed: 4.1x faster
   - LLM calls saved: 12
   - Time saved: 26.7 seconds

技术特点

1. 稳定的元素定位

• XPath优先：捕获元素的完整XPath路径，对页面结构变化有较好的鲁棒性
• 多重回退：XPath失败时尝试CSS选择器、属性选择器等
• 智能等待：使用wait_for(state='visible')确保元素加载完成

2. 工作流捕获机制

# 从browser-use的内部状态提取元素信息
element = selector_map[index]
workflow_step = WorkflowStep(
    action_type=ActionType.CLICK,
    xpath=element.xpath,
    element_attributes={
        'id': element.attributes.get('id'),
        'class': element.attributes.get('class'),
        ...
    }
)

3. 意图匹配算法

• 关键词匹配
• 动词识别（send, write, check等）
• 成功率加权
• 置信度评分

性能对比

指标	学习阶段	回放阶段	提升
执行时间	30-40秒	5-10秒	3-5倍
LLM调用次数	10-15次	0次	100%
成功率	85%	95%+	10%+

知识库管理

查看知识库统计：

from learning_agent import KnowledgeBase

kb = KnowledgeBase("./knowledge_base")
stats = kb.get_statistics()
print(stats)
# {
#     'total_workflows': 5,
#     'total_executions': 23,
#     'success_rate': '91.3%',
#     'total_model_calls_saved': 156
# }

清空知识库：

kb.clear_all()  # 谨慎使用

限制和注意事项

1. 动态内容：对于高度动态的页面，XPath可能会变化
2. 认证状态：不会保存登录状态，每次都从头开始
3. 复杂交互：暂不支持拖拽、右键菜单等复杂操作
4. 多标签页：回放模式简化了标签页处理

扩展建议

1. 更智能的参数提取：使用NLP模型提取任务参数
2. 工作流组合：将多个小工作流组合成复杂任务
3. 错误恢复：增强回放失败时的恢复策略
4. 分布式知识库：支持团队共享学习成果

贡献

欢迎提交Issue和Pull Request来改进本项目。

许可

本项目基于browser-use开发，遵循其开源许可协议。