Browser AI Automation

浏览器 AI 自动化工具让 AI 能够控制浏览器、执行网页操作、提取数据。以下是主流开源工具的对比。

Opendia

定位？

Dia / Perplexity Comet 的开源替代品。通过 MCP 协议将浏览器连接到 AI 模型，让 AI 自动控制浏览器。

核心特点？

• 本地优先：所有数据本地运行，不上传云端
• 利用现有数字生活：复用已登录的账号、书签、历史记录、Cookie、扩展（如 MetaMask）
• 反检测：专门针对 Twitter/X、LinkedIn、Facebook 的自动化检测做了绕过
• 跨浏览器：支持 Chrome、Firefox、Arc、Edge、Brave、Opera 等

工作流程？

AI Model → OpenDia Server → Browser Extension → Your Browser → Any Website

使用场景？

• 社交媒体：自动发布推文、总结文章并创建 Twitter thread
• 研究分析：浏览历史记录，找到关于特定主题的文章
• 开发测试：自动填写表单、测试注册流程、截图
• 页面美化：一键切换 dark mode、添加 matrix 雨效果等

见：OpenDia GitHub

Browser-use

定位？

最流行的 AI 浏览器自动化框架，Python 生态。

核心特点？

• 专注的 LLM：ChatBrowserUse() 专门针对浏览器任务优化，比其他模型快 3-5 倍
• 云服务和本地：可自托管，也可使用 Browser Use Cloud
• 多 LLM 支持：OpenAI、Google、本地 Ollama 等
• Claude Code Skill：官方提供 Claude Code 集成

快速开始？

from browser_use import Agent, Browser, ChatBrowserUse

browser = Browser()
llm = ChatBrowserUse()
agent = Agent(
    task="Find the number of stars of the browser-use repo",
    llm=llm,
    browser=browser,
)
await agent.run()

见：Browser-use GitHub

Stagehand

定位？

AI 时代的浏览器自动化框架，代码与 AI 的桥梁。

核心特点？

• 混合模式：在熟悉页面上写代码，在不熟悉页面上用自然语言
• 自修复：缓存可重复操作，网站变化时自动调用 AI 修复
• 生产级：为可靠性和可维护性设计
• 多语言：TypeScript 和 Python 实现

API 设计？

// 用 act() 执行单个动作
await stagehand.act("click on the stagehand repo");

// 用 agent() 执行多步任务
const agent = stagehand.agent();
await agent.execute("Get to the latest PR");

// 用 extract() 提取结构化数据
const { author, title } = await stagehand.extract(
  "extract the author and title of the PR",
  z.object({ author: z.string(), title: z.string() })
);

见：Stagehand GitHub、Stagehand 文档

Playwright MCP (Microsoft)

定位？

微软官方的 MCP 浏览器自动化服务器，结构化数据优先。

核心特点？

• 无需视觉模型：使用 Playwright 的可访问性树，而非截图
• 快速轻量：比基于像素的方案更快
• 确定性：避免截图方案常见的歧义问题
• 广泛支持：支持 20+ MCP 客户端（VS Code、Cursor、Claude、Goose 等）

关键差异？

见：Playwright MCP GitHub

其他工具

工具对比总结