前言

在 AI Agent 的发展过程中，一个非常现实的问题逐渐暴露出来：

大模型知道很多知识，但不会真正操作网页。

例如，你告诉 ChatGPT：

"帮我登录携程，预订一张明天北京到上海的机票。"

ChatGPT 可能会告诉你：

"可以按照以下步骤……"

但是，它并不会真的：

• 打开浏览器
• 输入用户名
• 点击搜索按钮
• 选择航班
• 提交订单

原因很简单：

LLM 会思考，但不会操作浏览器。

Browserbase 正是为了解决这个问题而诞生。

一句话来说：

Browserbase 是一个专门为 AI Agent 提供浏览器执行环境（Browser Infrastructure）的云平台。

---

一个真实案例

假设我们开发一个旅游 Agent。

用户输入：

帮我看看下周北京飞上海最便宜的机票。

Agent 的思考过程可能是：

Plan

↓

打开携程

↓

输入出发地

↓

输入目的地

↓

选择日期

↓

搜索

↓

读取价格

↓

比较价格

↓

返回结果

注意：

这里不是 API。

Agent 要做的是：

真正打开网页。

---

如果没有 Browserbase

很多开发者第一反应：

用 Playwright 就行。

例如：

browser = playwright.chromium.launch()

page.goto("https://ctrip.com")

page.fill(...)

page.click(...)

可以。

但是生产环境马上出现很多问题。

例如：

浏览器运行在哪里？

如果：

1000 个用户：

1000 Browser

↓

1000 Chrome

↓

CPU 爆了

如果：

浏览器崩溃：

怎么办？

如果：

登录状态丢失：

怎么办？

如果：

浏览器需要代理：

怎么办？

如果：

网站检测自动化：

怎么办？

如果：

需要录像：

怎么办？

如果：

需要截图：

怎么办？

这些问题：

都不是 Playwright 解决的。

而是 Browserbase 解决的。

---

Browserbase 到底是什么？

可以理解成：

Browserbase = Browser Cloud（浏览器云）

Agent：

不用自己运行 Chrome。

而是：

Agent

↓

Browserbase API

↓

Cloud Browser

↓

Chrome

Browserbase 帮你管理：

• Chrome
• Playwright
• Session
• Cookie
• Proxy
• Recording
• Screenshot
• Scaling

---

Browserbase 在 Agent 中的位置

一个完整 Agent：

                User
                  │
                  ▼
                 LLM
                  │
             Tool Calling
                  │
                  ▼
           Browser Tool
                  │
                  ▼
             Browserbase
                  │
          Cloud Chrome
                  │
                  ▼
             Real Website

Browserbase：

就是：

Agent 的眼睛。

也是：

Agent 的手。

---

一个完整实例

假设：

用户：

帮我登录 GitHub，看看今天有没有新的 Pull Request。

Agent：

首先：

Plan：

① 打开 GitHub

② 登录

③ 进入 Repository

④ 查看 Pull Request

⑤ 总结内容

然后：

调用：

Browserbase：

创建：

Browser Session

例如：

browser = browserbase.create_browser()

Browserbase：

返回：

Chrome

Agent：

开始控制：

page.goto(...)

page.fill(...)

page.click(...)

整个浏览器：

运行在 Browserbase。

不是：

你的服务器。

---

Browser Session（浏览器会话）

这是 Browserbase 最重要的概念。

例如：

用户今天：

登录：

GitHub。

明天：

Agent：

继续：

查看 Issue。

如果没有 Session：

Agent：

每天：

都要：

输入账号

↓

输入密码

↓

登录

Browserbase：

可以保存：

Cookies

Session

Local Storage

Agent：

直接继续。

像：

真人一样。

---

一个 AI 电商助手案例

用户：

帮我买一双 Nike Pegasus 41，42 码，价格低于 800 元就下单。

Agent：

Plan：

打开京东

↓

搜索 Pegasus 41

↓

筛选 42 码

↓

读取价格

↓

价格低于800

↓

加入购物车

↓

提交订单

整个过程中：

Agent：

不断：

Observe

↓

网页变化

↓

继续点击

Browserbase：

负责：

真正执行：

这些动作。

---

Browser Automation 为什么这么难？

很多人觉得：

就是：

click()

fill()

goto()

其实：

不是。

例如：

网页：

突然：

弹出：

验证码

或者：

Cookie Banner

或者：

广告弹窗

Agent：

必须：

重新规划。

例如：

关闭弹窗

↓

继续搜索

Browserbase：

提供：

稳定：

浏览器环境。

LLM：

负责：

重新思考。

---

Browserbase 与 Playwright 的关系

很多人误认为：

Browserbase：

就是：

Playwright。

其实：

不是。

Playwright：

只是：

浏览器控制库。

例如：

page.click()

Browserbase：

则负责：

Browser Lifecycle

Session

Scaling

Cloud Chrome

Recording

Proxy

Storage

可以理解：

Playwright

↓

控制浏览器

Browserbase

↓

管理浏览器

---

Browserbase 与 Selenium 的区别

Selenium：

主要面向：

自动化测试。

Browserbase：

主要面向：

AI Agent。

例如：

Agent：

需要：

边思考

↓

边点击

↓

边观察

↓

边调整

Browserbase：

支持：

长生命周期：

Browser Session。

这正适合：

Agent。

---

Browserbase 与 E2B 的区别

很多新人：

第一次：

容易混。

实际上：

它们负责：

完全不同。

E2B：

负责：

Python

Shell

Git

文件

Terminal

Browserbase：

负责：

Chrome

网页

点击

输入

截图

录像

举一个完整例子。

用户：

登录 GitHub，把 Star 数量统计出来，画图后发邮件。

Agent：

执行：

Browserbase

↓

登录 GitHub

↓

读取 Star

↓

E2B

↓

Python

↓

画图

↓

Composio

↓

Gmail

↓

发送邮件

三者：

各司其职。

---

Browserbase 与 Composio 的区别

很多人：

也容易混。

例如：

读取 GitHub。

其实：

有两种方式。

第一种：

GitHub API。

Agent

↓

Composio

↓

GitHub API

第二种：

网页。

Agent

↓

Browserbase

↓

github.com

什么时候：

用：

Composio？

有：

API。

什么时候：

用：

Browserbase？

没有 API。

或者：

只能：

网页操作。

例如：

很多：

企业后台。

没有：

API。

只能：

浏览器。

---

一个企业 Agent 的完整例子

假设：

公司：

ERP：

没有：

开放 API。

用户：

帮我下载昨天所有订单。

Agent：

流程：

LLM

↓

Browserbase

↓

登录 ERP

↓

输入日期

↓

点击查询

↓

下载 Excel

↓

E2B

↓

Python

↓

统计销售额

↓

Composio

↓

发送企业微信

整个：

Agent：

真正：

完成了：

一个：

真实：

办公流程。

---

总结

可以把现代 AI Agent 的基础设施理解成一家公司中的不同角色：

组件	类比	职责
LLM	大脑	思考、规划、推理
MCP	通用接口标准	定义模型与工具如何通信
Composio	行政前台	连接 GitHub、Slack、Gmail 等各种 SaaS 服务
Browserbase	员工的浏览器	打开网页、登录系统、点击按钮、获取页面内容
E2B	员工的电脑	执行 Python、运行终端命令、处理文件
Runtime	项目经理	管理 Agent 的执行流程、状态和异常恢复

Browserbase 的价值在于：它不是教 Agent 如何点击网页，而是为 Agent 提供一个稳定、可扩展、云端托管的浏览器运行环境。

在现代 AI Agent 系统中，很多业务并没有开放 API，或者需要像真人一样完成登录、搜索、点击、下载、上传等操作。这时，Browserbase 就成为 Agent 与 Web 世界交互的重要基础设施，让 Agent 不再只是"会聊天"，而是真正能够"操作互联网"。