browser-use CLI 工具能力测试报告

测试概述

测试日期: 2026-01-29 测试目标: 验证 browser-use CLI 工具对基本任务的支持程度 对比对象: browserUseTools.py 底层工具 业务场景: 电商产品搜索与比价流程 (CLI 实现)

CLI 工具发现

通过 browser-use --help 命令，发现 browser-use 提供了完整的命令行工具，包含以下命令：

browser-use [-h] [--session SESSION] [--browser {chromium,real,remote}]
            [--headed] [--profile PROFILE] [--json] [--api-key API_KEY]
            {open,click,type,input,scroll,back,screenshot,state,switch,
             close-tab,keys,select,eval,extract,python,run,sessions,close,server}

CLI 工具命令清单

1. 基础浏览器操作

命令	功能	说明
`open`	导航到 URL	在当前会话中打开网页
`back`	返回上一页	浏览器后退操作
`state`	获取浏览器状态	返回 URL、标题、可交互元素列表
`screenshot`	截图	保存当前页面截图
`close`	关闭会话	关闭浏览器会话

2. 元素交互操作

命令	功能	说明
`click`	点击元素	通过索引点击元素
`type`	输入文本	在当前焦点元素输入文本
`input`	指定元素输入	在指定索引的元素输入文本
`keys`	发送按键	发送键盘按键（Enter, Tab, Escape 等）
`scroll`	滚动页面	向上/向下滚动页面

3. 高级功能

命令	功能	说明
`select`	选择下拉选项	在下拉菜单中选择选项
`eval`	执行 JavaScript	在页面上下文中执行 JS 代码
`python`	执行 Python	执行 Python 代码访问浏览器对象
`extract`	提取数据	使用 LLM 提取页面数据（需要 API key）
`run`	运行 Agent 任务	运行完整的 Agent 任务（需要 API key）

4. 标签页管理

命令	功能	说明
`switch`	切换标签页	切换到指定索引的标签页
`close-tab`	关闭标签页	关闭指定标签页

5. 会话管理

命令	功能	说明
`sessions`	列出会话	显示所有活动的浏览器会话
`server`	服务器控制	启动/停止 browser-use 服务器

CLI 工具 vs browserUseTools 对比分析

功能对比表

功能	CLI 工具	browserUseTools	说明
导航 (navigate)	✓ open	✓ navigate_to_url	CLI 不支持 new_tab 参数
点击 (click)	✓ click	✓ click_element	CLI 只支持索引，Tools 支持坐标
输入 (input)	✓ type/input	✓ input_text	功能相同
滚动 (scroll)	✓ scroll	✓ scroll_page	功能相同
返回 (back)	✓ back	✓ go_back	功能相同
截图 (screenshot)	✓ screenshot	✗	CLI 独有
状态获取 (state)	✓ state	✗	CLI 独有，返回 DOM 状态
标签页切换 (switch)	✓ switch	✓ switch_tab	CLI 完整实现，Tools 简化版
标签页关闭 (close-tab)	✓ close-tab	✓ close_tab	CLI 完整实现，Tools 简化版
发送按键 (keys)	✓ keys	✓ send_keys	功能相同
下拉选择 (select)	✓ select	✓ select_dropdown_option	CLI 只能选择，Tools 可获取选项
JavaScript 执行 (eval)	✓ eval	✗	CLI 独有
Python 执行 (python)	✓ python	✗	CLI 独有
数据提取 (extract)	✓ extract (需要 API)	✓ extract_content	实现方式不同
会话管理 (sessions)	✓ sessions	✗	CLI 独有
坐标点击	✗	✓ click_element	Tools 独有
文件上传	✗	✓ upload_file	Tools 独有
获取下拉选项	✗	✓ get_dropdown_options	Tools 独有
任务完成标记	✗	✓ done	Tools 独有（框架特有）
网页搜索	✗	✓ search_web	Tools 独有

优势对比

CLI 工具的优势

会话管理 ✓
- 支持命名会话，可以在多个命令之间保持浏览器状态
- 支持列出和管理多个会话
- 不需要每次都启动新浏览器
DOM 状态维护 ✓
- state 命令可以获取当前页面的所有可交互元素
- 自动维护元素索引映射
- 支持通过索引操作元素
代码执行能力 ✓
- 支持执行 JavaScript 代码（eval 命令）
- 支持执行 Python 代码（python 命令）
- 可以直接访问浏览器对象
截图功能 ✓
- 内置截图命令
- 支持保存到指定路径
完整的标签页管理 ✓
- 真实的标签页切换和关闭
- 支持多标签页操作

browserUseTools 的优势

坐标点击 ✓
- 支持通过坐标点击元素
- 不依赖 DOM 状态，更灵活
文件上传 ✓
- 支持文件上传功能
- CLI 未暴露此功能
获取下拉选项 ✓
- 可以获取下拉菜单的所有选项
- CLI 只能选择，不能获取
框架集成 ✓
- 与 Agent 框架深度集成
- 支持 ToolResult 标准返回格式
- 支持任务完成标记（done）
网页搜索 ✓
- 内置搜索引擎支持（Google, Bing, DuckDuckGo）
- CLI 需要手动导航到搜索引擎

CLI 工具能力分析

完全支持的功能（17 个命令）

✓ open - 导航到 URL ✓ click - 通过索引点击元素 ✓ type - 输入文本 ✓ input - 在指定元素输入文本 ✓ scroll - 滚动页面 ✓ back - 返回上一页 ✓ screenshot - 截图 ✓ state - 获取浏览器状态 ✓ switch - 切换标签页 ✓ close-tab - 关闭标签页 ✓ keys - 发送键盘按键 ✓ select - 选择下拉选项 ✓ eval - 执行 JavaScript ✓ python - 执行 Python 代码 ✓ sessions - 会话管理 ✓ close - 关闭会话 ✓ server - 服务器控制

需要 API key 的功能

⚠ extract - 使用 LLM 提取数据（需要 Browser-Use API key） ⚠ run - 运行 Agent 任务（需要 LLM API key）

CLI 不支持但 browserUseTools 支持的功能

✗ 通过坐标点击（CLI 只支持索引点击） ✗ 文件上传（CLI 未暴露此功能） ✗ 获取下拉选项列表（CLI 只能选择，不能获取选项） ✗ 新标签页打开 URL（CLI open 命令不支持 new_tab 参数） ✗ 任务完成标记（done 工具是框架特有的） ✗ 网页搜索（CLI 需要手动导航）

browserUseTools 需要改进的地方

基于 CLI 工具的设计，browserUseTools 需要在以下方面改进：

1. 浏览器会话管理 ⚠

现状: 每次调用都创建新的浏览器实例问题: 无法在多个操作之间保持状态，资源浪费 改进方案:

# 参考 CLI 的会话管理机制
class BrowserSession:
    _sessions = {}  # 全局会话池

    @classmethod
    def get_or_create(cls, session_id):
        if session_id not in cls._sessions:
            cls._sessions[session_id] = cls(session_id)
        return cls._sessions[session_id]

2. DOM 状态维护 ⚠

现状: 未实现 DOM 状态提取和维护问题: 索引点击、输入等功能无法正常工作 改进方案:

# 参考 CLI 的 state 命令
async def get_browser_state():
    """获取浏览器状态，包括 URL、标题、可交互元素"""
    elements = await page.query_selector_all("a, button, input, select, textarea")
    return {
        "url": page.url,
        "title": await page.title(),
        "elements": [{"index": i, "tag": elem.tag_name, ...} for i, elem in enumerate(elements)]
    }

3. 标签页管理 ⚠

现状: switch_tab 和 close_tab 是简化实现问题: 未真正操作浏览器标签页 改进方案:

# 维护标签页映射
class BrowserSession:
    def __init__(self):
        self.pages = []  # 所有标签页
        self.current_page_index = 0

    async def switch_tab(self, index):
        self.current_page_index = index
        return self.pages[index]

4. JavaScript/Python 执行能力 ⚠

现状: 未实现问题: 无法执行自定义代码 改进方案:

@tool()
async def eval_javascript(code: str, uid: str = "") -> ToolResult:
    """执行 JavaScript 代码"""
    result = await page.evaluate(code)
    return ToolResult(title="JavaScript executed", output=str(result))

5. 截图功能 ⚠

现状: 未实现问题: 无法保存页面截图 改进方案:

@tool()
async def take_screenshot(path: str, uid: str = "") -> ToolResult:
    """截取页面截图"""
    await page.screenshot(path=path)
    return ToolResult(title="Screenshot saved", output=f"Saved to {path}")

实施建议

方案 1: 混合使用（推荐 - 短期）

适用场景: 快速验证业务流程，时间紧迫

实施方式:

使用 CLI 工具处理常规操作（导航、点击、输入、滚动等）
使用 browserUseTools 处理特殊需求（坐标点击、文件上传、获取下拉选项）
通过 subprocess 调用 CLI 命令

优点:

快速实现，无需大量开发
充分利用两者优势
可以立即投入使用

缺点:

需要维护两套工具的集成
调试困难（CLI 命令输出解析）
性能可能不是最优

示例代码:

import subprocess

def cli_navigate(url, session="default"):
    """使用 CLI 导航"""
    result = subprocess.run(
        f"browser-use --session {session} open {url}",
        shell=True, capture_output=True, text=True
    )
    return result.returncode == 0

def cli_click(index, session="default"):
    """使用 CLI 点击"""
    result = subprocess.run(
        f"browser-use --session {session} click {index}",
        shell=True, capture_output=True, text=True
    )
    return result.returncode == 0

方案 2: 改进 browserUseTools（推荐 - 中长期）

适用场景: 长期维护，需要统一接口

实施方式:

参考 CLI 工具实现会话管理
实现 DOM 状态维护机制
添加 JavaScript/Python 执行能力
添加截图功能
完善标签页管理

优点:

统一工具接口，易于维护
性能更好（直接使用 Playwright API）
调试方便
可以添加更多自定义功能

缺点:

开发工作量大
需要时间投入

实施步骤:

第 1 周: 会话管理

# 实现全局会话管理器
class BrowserSessionManager:
    _sessions = {}

    @classmethod
    async def get_session(cls, session_id="default"):
        if session_id not in cls._sessions:
            cls._sessions[session_id] = await cls._create_session()
        return cls._sessions[session_id]

    @classmethod
    async def _create_session(cls):
        p = await async_playwright().start()
        browser = await p.chromium.launch(headless=False)
        context = await browser.new_context()
        page = await context.new_page()
        return {"playwright": p, "browser": browser, "context": context, "page": page}

第 2 周: DOM 状态维护

@tool()
async def get_browser_state(session_id: str = "default", uid: str = "") -> ToolResult:
    """获取浏览器状态"""
    session = await BrowserSessionManager.get_session(session_id)
    page = session["page"]

    # 提取可交互元素
    elements = await page.query_selector_all("a, button, input, select, textarea")
    element_list = []
    for i, elem in enumerate(elements):
        element_list.append({
            "index": i,
            "tag": await elem.evaluate("el => el.tagName"),
            "text": await elem.inner_text(),
            "selector": await elem.evaluate("el => el.id || el.className")
        })

    return ToolResult(
        title="Browser state",
        output=f"URL: {page.url}\nTitle: {await page.title()}",
        metadata={"elements": element_list}
    )

第 3-4 周: 添加高级功能

JavaScript 执行
Python 执行
截图功能
完善标签页管理

方案 3: 封装 CLI 工具

适用场景: 快速原型，不需要深度定制

实施方式:

将 CLI 命令封装为 Python 函数
保持与 browserUseTools 相同的接口
使用 subprocess 调用 CLI

优点:

快速实现，功能完整
利用 CLI 的所有功能

缺点:

依赖外部 CLI 工具
调试困难
性能可能不是最优

测试结论

核心发现

CLI 工具功能完整性
- browser-use CLI 工具提供了 17+ 个命令
- 覆盖了大部分浏览器自动化需求
- 支持会话管理，可以在多个命令之间保持浏览器状态
- 支持 JavaScript 和 Python 代码执行，扩展性强
browserUseTools 的优势
- 提供了坐标点击功能（CLI 只支持索引点击）
- 支持文件上传（CLI 未暴露）
- 可以获取下拉选项列表（CLI 只能选择）
- 集成了任务完成标记（框架特有）
- 内置网页搜索功能
browserUseTools 需要改进的地方
- 缺少会话管理机制（每次调用都创建新浏览器实例）
- 缺少 DOM 状态维护（CLI 已实现）
- 标签页管理是简化版（CLI 已完整实现）
- 缺少 JavaScript/Python 执行能力（CLI 支持）
- 缺少截图功能（CLI 支持）

最终建议

短期（1-2 周）:

采用方案 1（混合使用）
使用 CLI 工具处理常规操作
使用 browserUseTools 处理特殊需求
编写集成测试，确保两套工具协同工作

中期（1-2 月）:

采用方案 2（改进 browserUseTools）
重点实现会话管理和 DOM 状态维护
添加 JavaScript 执行能力
完善标签页管理

长期（3-6 月）:

优化性能，实现连接池和会话复用
添加更多高级功能（截图、PDF 生成、Cookie 管理等）
完善文档和示例
建立完整的测试套件

结论

browser-use CLI 工具功能强大且完整，已经实现了大部分浏览器自动化需求。browserUseTools 在某些特定功能上有优势，但需要学习 CLI 工具的设计，特别是会话管理和 DOM 状态维护机制。

建议采用混合使用的方案，在改进 browserUseTools 的同时，充分利用 CLI 工具的现有能力，快速实现业务需求。

附录：CLI 命令示例

基础操作示例

# 1. 打开网页
browser-use --session my-session --headed open https://www.example.com

# 2. 获取页面状态
browser-use --session my-session state

# 3. 点击元素（索引 5）
browser-use --session my-session click 5

# 4. 输入文本
browser-use --session my-session type "Hello World"

# 5. 发送回车键
browser-use --session my-session keys Enter

# 6. 滚动页面
browser-use --session my-session scroll down

# 7. 截图
browser-use --session my-session screenshot /tmp/screenshot.png

# 8. 执行 JavaScript
browser-use --session my-session eval "document.title"

# 9. 执行 Python
browser-use --session my-session python "print(browser.url)"

# 10. 列出所有会话
browser-use sessions

# 11. 关闭会话
browser-use --session my-session close

电商搜索流程示例

# 1. 打开淘宝
browser-use --session taobao --headed open https://www.taobao.com

# 2. 获取页面状态，找到搜索框索引
browser-use --session taobao state

# 3. 点击搜索框（假设索引为 3）
browser-use --session taobao click 3

# 4. 输入搜索关键词
browser-use --session taobao type "iPhone 15 Pro"

# 5. 发送回车键搜索
browser-use --session taobao keys Enter

# 6. 等待加载，获取搜索结果
browser-use --session taobao state

# 7. 点击第一个商品（假设索引为 10）
browser-use --session taobao click 10

# 8. 滚动查看详情
browser-use --session taobao scroll down

# 9. 截图保存
browser-use --session taobao screenshot /tmp/product.png

# 10. 关闭会话
browser-use --session taobao close

报告生成时间: 2026-01-29 测试执行者: Claude Code 报告版本: 1.0

test-skill.md 16 KB Kalıcı Bağlantı Geçmiş Ham

browser-use CLI 工具能力测试报告

测试概述

CLI 工具发现

CLI 工具命令清单

1. 基础浏览器操作

2. 元素交互操作

3. 高级功能

4. 标签页管理

5. 会话管理

CLI 工具 vs browserUseTools 对比分析

功能对比表

优势对比

CLI 工具的优势

browserUseTools 的优势

CLI 工具能力分析

完全支持的功能（17 个命令）

需要 API key 的功能

CLI 不支持但 browserUseTools 支持的功能

browserUseTools 需要改进的地方

1. 浏览器会话管理 ⚠

2. DOM 状态维护 ⚠

3. 标签页管理 ⚠

4. JavaScript/Python 执行能力 ⚠

5. 截图功能 ⚠

实施建议

方案 1: 混合使用（推荐 - 短期）

方案 2: 改进 browserUseTools（推荐 - 中长期）

方案 3: 封装 CLI 工具

测试结论

核心发现

最终建议

结论

附录：CLI 命令示例

基础操作示例

电商搜索流程示例

test-skill.md 16 KB

Kalıcı Bağlantı Geçmiş Ham