WebBrain：开源本地优先的 AI 浏览器 Agent

浏览器自动化这件事，以前是 Selenium 和 Playwright 的地盘——写脚本、定位元素、点击按钮。现在 AI Agent 介入了：你告诉它"帮我把这个页面上的所有商品价格整理成表格"，它自己看页面、找数据、填表单。WebBrain 就是这样一款开源工具，而且是本地优先的——你的数据不离开设备。

WebBrain 是什么

WebBrain（官方地址：https://pxllnk.co/rlifl7h）是一款开源的、本地优先的 AI 浏览器 Agent。它的核心能力：

• 读取页面内容：能理解当前浏览器页面的文字、布局和交互元素
• 自动化操作：点击按钮、填写表单、滚动页面、切换标签页
• 多浏览器支持：Chrome 和 Firefox 都能用
• 本地运行：AI 推理和数据处理在你的设备上完成，不把页面内容发给第三方
• 开源：代码托管在 GitHub，可以自由审计和修改

根据 MarkTechPost 的报道（https://www.marktechpost.com/2026/07/02/meet-webbrain-an-open-source-local-first-ai-browser-agent-that-reads-pages-and-automates-tasks-in-chrome-and-firefox/），WebBrain 的定位是"让 AI Agent 像人类一样使用浏览器"——不是通过 API 调用网站，而是真正地"看"页面、“操作"页面。

为什么本地优先很重要

市面上不少浏览器 AI Agent 是云端运行的——你把页面内容发到它们的服务器，AI 在云端处理后返回操作指令。这意味着：

• 你访问过的页面内容（可能包含登录状态、个人信息、商业数据）都经过了第三方服务器
• 你依赖对方的服务的可用性
• 你无法控制数据的存储和删除策略

WebBrain 选择本地优先，意味着 LLM 推理在你的机器上跑（可以接本地 Ollama 或其他本地模型），页面内容不离开你的浏览器。如果你处理的是公司内部系统、银行页面、医疗信息这类敏感场景，这个差异是决定性的。

当然，你也可以配置 WebBrain 接入远程 API（比如 OpenAI 或 Gemini），但这是你的选择，不是默认行为。

核心能力详解

页面理解

WebBrain 不只是抓取 HTML 源码。它会构建页面的语义模型——识别导航区域、正文内容、表单字段、按钮、列表等组件，理解它们之间的关系。这让 Agent 能理解"哪个是提交按钮"“哪个是搜索框"“这段文字是价格还是商品描述”。

自动化操作

支持的操作包括：

• 点击元素（按钮、链接、复选框）
• 填写输入框和文本域
• 选择下拉菜单
• 滚动页面
• 切换浏览器标签
• 截图
• 等待元素出现
• 执行自定义 JavaScript

任务编排

你可以用自然语言描述任务，WebBrain 会分解成步骤并逐步执行。比如"打开 GitHub trending 页面，把前 10 个项目的名称和 star 数整理成表格”，Agent 会自己导航、提取、整理。

上手步骤

1. 克隆仓库

1
2

git clone https://github.com/WebBrainAI/webbrain.git
cd webbrain

2. 安装依赖

1
2
3
4

# 推荐用虚拟环境
python -m venv venv
source venv/bin/activate  # Windows: venv\Scripts\activate
pip install -r requirements.txt

3. 配置 LLM

WebBrain 支持多种 LLM 后端。最简单的是接本地 Ollama：

1
2
3
4
5

# config.yaml
llm:
  provider: ollama
  model: qwen2.5:14b
  base_url: http://localhost:11434

也可以接 OpenAI 兼容 API（包括上篇介绍的 Gemini 免费 API）：

1
2
3
4
5

llm:
  provider: openai
  model: gemini-3.5-flash
  api_key: 你的Key
  base_url: https://generativelanguage.googleapis.com/v1beta/openai/

4. 启动

1

python main.py

首次启动会打开浏览器窗口，你可以在 WebBrain 的控制面板里输入任务指令。

5. 执行你的第一个任务

在控制面板输入：

打开 https://news.ycombinator.com，把首页前 20 条新闻的标题和链接整理成 Markdown 表格

WebBrain 会自动导航到页面，解析内容，输出结果。

横向对比

当前浏览器 AI Agent 赛道有好几个玩家，WebBrain 的定位和它们有明确差异。

vs UI-TARS-desktop（字节跳动）

UI-TARS-desktop（https://github.com/bytedance/UI-TARS-desktop）是字节开源的桌面 GUI Agent，GitHub 26K+ stars。它的优势是生态大、迭代快、支持整个桌面的自动化（不只是浏览器）。但它是云端模型优先的，字节自家的 UI-TARS 模型需要跑在服务器上。WebBrain 的差异化在于浏览器专精 + 本地优先。

vs Browser Use

Browser Use 是另一个热门的浏览器 Agent 库。它的设计更偏开发者工具——你写 Python 代码来编排 Agent 行为。WebBrain 更偏终端用户——提供可视化界面，直接输入自然语言任务。

vs Playwright MCP

Playwright MCP（Model Context Protocol）本质是给 AI 提供 Playwright 的能力接口。它不是 Agent——它不会自主决策"下一步该点哪里”，而是由外部 LLM 决定。WebBrain 是完整的 Agent：内置了页面理解、任务分解、执行反馈的完整循环。

适用场景

网页信息采集

需要从多个页面批量提取结构化数据——商品价格、新闻标题、社交媒体帖子。WebBrain 可以理解页面语义，不需要写 CSS 选择器。

表单自动填充

面对重复的表单填写——报销单、申请表、数据录入。告诉 Agent “用这份文档的内容填这个表单”，它自己找字段、匹配内容、提交。

重复操作自动化

每天要做的操作——登录某个系统、导出报表、下载附件。用 WebBrain 录制一次任务描述，之后一键执行。

网页测试

开发了一个 Web 应用，想让 AI 帮你做冒烟测试——“打开这个页面，尝试注册流程，把每一步的截图和报错整理给我”。

🎯 行动清单

1. 克隆仓库：git clone https://github.com/WebBrainAI/webbrain.git
2. 装 Ollama：如果还没装本地 LLM 运行时，先装 Ollama（https://ollama.com）并拉一个 14B 模型
3. 跑通第一个任务：按上面的启动流程，让 WebBrain 打开一个简单页面执行任务
4. 试表单自动填充：找一个你常填的表单，用 WebBrain 自动填一次
5. 审阅代码：既然是开源的，花 30 分钟看看它的页面理解模块怎么实现的
6. 加入社区：GitHub Issues 和 Discussions 里有使用技巧和问题反馈，遇到坑可以查

使用建议

• 从简单任务开始：别一上来就让它做复杂的 20 步操作，先跑通 3-5 步的任务
• 注意认证状态：WebBrain 操作的是你登录状态的浏览器，确保它不会在敏感页面上做意外操作
• 定期更新：项目处于活跃开发期，功能和稳定性都在快速迭代
• 反馈问题：开源项目的生存依赖社区反馈，遇到 bug 提 Issue

WebBrain 官方仓库：https://github.com/WebBrainAI/webbrain

延伸阅读：

• UI-TARS-desktop 指南 — 字节开源桌面 Agent 对比参考
• Agent QQ 邮箱自动化指南 — 用 Agent 自动处理邮件
• LLM Coding Agent 实战指南 — AI Agent 编程实战