目前在调研 browser-use 框架,一个基于 langchain + function calling 的浏览器 agent 框架。 最近使用下来,需要自定义配置的地方特别多,问题也比较多:
- 网站需要适配特殊的定位器,select dropdown 、modal 等很多组件需要自己写函数
- 幻觉问题,agent 经常以为自己已经执行完了某个动作,但实际上并没完成
- 动作执行不规范,比如 select dropdown 有时候非要给你拆分成两次 click
我使用的模型是 deepseek-v3 ,上述问题用 system prompt 也不一定能解决,执行起来非常不稳定。 此外,感觉 browser-use 本身框架也存在一些缺陷,比如 selector map 更新的问题等。
但是像 ChatGPT Operator 这种都给你封装好了,是不是只能接入一些主流网站,有没有 Pro 用户讲讲好不好用?或者给点这方面相关的意见也行。