Browser Use: agent điều khiển trình duyệt, kiến trúc, rủi ro và cách thử nghiệm
Đăng ngày 12/10/2026
Mục lục bài nghiên cứu
Tóm lược: Browser Use biến một nhiệm vụ viết bằng lời thành thao tác trên trình duyệt
Browser Use là thư viện Python mã nguồn mở để một agent, tức chương trình dùng mô hình ngôn ngữ tự chọn bước tiếp theo, mở trình duyệt, đọc trang, nhấp, gõ phím và trả lời theo nhiệm vụ viết bằng lời. README tại commit khảo sát nêu ba lối vào: cloud chạy cả agent lẫn trình duyệt, CLI gắn khả năng duyệt web cho agent lập trình sẵn có, và thư viện Python chạy trong mã của người dùng [1]. Bài tập trung vào thư viện và chỉ rõ phần nào cần dịch vụ trả phí.
Thư viện đáng cân nhắc khi việc nằm trên giao diện web không có API (giao diện lập trình), lặp lại và có đáp án kiểm chứng được. Đầu ra khai báo được bằng mô hình Pydantic, kèm lịch sử URL, hành động và lỗi của từng bước [7], đủ để kiểm tra thay vì tin vào một câu trả lời trôi chảy.
Không nên chọn khi hệ thống đích đã có API hoặc chức năng xuất dữ liệu, khi một script cố định rẻ và dễ đoán hơn, hoặc khi thao tác có hệ quả pháp lý, tài chính mà không có người duyệt. Khuyến nghị: bắt đầu bằng nhiệm vụ chỉ đọc, danh sách tên miền được phép và bộ nhiệm vụ mẫu có đáp án; điều khoản sử dụng của website đích là điều kiện tiên quyết.
Khoảng trống mà script cố định và API chính thức chưa lấp được
Nhiều việc văn phòng vẫn diễn ra trên giao diện web: cổng nhà cung cấp, trang tra cứu công khai, phần mềm thuê bao không mở API. Tự động hóa kiểu cũ ghi lại bộ chọn cho từng nút, từng ô nhập; trang đổi bố cục là script gãy.
Browser Use đặt mô hình ngôn ngữ vào giữa vòng lặp: ở mỗi bước, mô hình nhận trạng thái trang, có thể kèm ảnh chụp màn hình, rồi chọn hành động như navigate, click, input, scroll hay extract [7][9]. README minh họa bằng việc đặt lịch thi sát hạch lái xe, gồm tìm khung giờ trống và xử lý CAPTCHA, loại câu đố phân biệt người với máy [1]; đó là ví dụ của nhóm phát triển, chưa phải bằng chứng trên website tiếng Việt.
Cái giá là một nhóm vấn đề mới: mỗi bước tốn ít nhất một lượt gọi mô hình, đường đi có thể khác nhau giữa các lần chạy, và nội dung web trở thành đầu vào của mô hình. Câu hỏi đúng là sai số, chi phí và rủi ro có nằm trong mức quy trình chấp nhận được hay không.
Kiến trúc: Agent, phiên trình duyệt qua CDP và sổ đăng ký công cụ
Thư viện có bốn khối. Agent giữ nhiệm vụ, mô hình và thiết lập vòng lặp, nhận các khối khác qua tham số llm, browser, tools [7]. Browser, bí danh của lớp BrowserSession, là phiên trình duyệt [8]. Tools là sổ đăng ký hành động mặc định và hành động tự viết [9]. Lớp mô hình gồm các bộ bọc ChatBrowserUse, ChatOpenAI, ChatAnthropic, ChatGoogle [1].
Trình duyệt được điều khiển qua Chrome DevTools Protocol (CDP, giao thức gỡ lỗi và điều khiển của Chrome): có thể trỏ cdp_url tới trình duyệt đang chạy, dùng Chrome cài sẵn với hồ sơ người dùng, hoặc bật trình duyệt cloud [8]; hook và công cụ tự viết đều truy cập được phiên CDP [7][9]. Các biến thời gian chờ mang tên sự kiện như NavigateToUrlEvent hay ClickElementEvent [7] gợi ý mỗi thao tác là một sự kiện có thời hạn riêng; đây là suy luận từ tài liệu, chưa đối chiếu với mã.
Mỗi bước gồm nhận trạng thái, suy luận nếu bật use_thinking, đề xuất tối đa max_actions_per_step hành động (mặc định 5), thực thi và ghi kết quả; flash_mode bỏ phần tự đánh giá để chạy nhanh hơn. Khi mô hình chính gặp lỗi giới hạn tần suất, xác thực, thanh toán hoặc lỗi máy chủ sau năm lần thử, fallback_llm thay thế cho phần còn lại; page_extraction_llm tách riêng mô hình dùng để trích xuất [7].
Tài liệu quy ước trong thư mục browser_use chia mỗi dịch vụ thành các tệp models, services, prompts, views [6]; đó là cách tổ chức mã, không phải sơ đồ kiến trúc lúc chạy.
Luồng dữ liệu: từ chuỗi task tới AgentHistoryList và các tệp phụ
Đầu vào là chuỗi task cùng các tùy chọn initial_actions (bước chạy trước, không gọi mô hình), sensitive_data (thông tin bí mật) và available_file_paths (tệp được phép dùng); URL trong nhiệm vụ được mở ngay vì directly_open_url bật sẵn [7].
Trong vòng lặp, trạng thái trang đi vào ngữ cảnh mô hình; use_vision mặc định là True nên ảnh chụp màn hình luôn được gửi kèm [7]. Kết quả mỗi hành động là một ActionResult: extracted_content đi vào lượt kế tiếp, long_term_memory được giữ cho mọi bước sau, include_extracted_content_only_once cho nội dung dài chỉ xuất hiện một lần [9]; max_history_items giới hạn số bước mô hình còn nhớ [7].
Đầu ra là AgentHistoryList gồm URL, ảnh chụp, hành động, nội dung trích xuất, lỗi, final_result, is_successful, số bước, thời lượng, và structured_output nếu có khai báo schema [7]. Kèm theo là các tệp phụ: tệp do write_file tạo [9], ảnh GIF và lịch sử hội thoại [7], video, HAR (bản ghi lưu lượng mạng), trace và storage state chứa cookie được tự lưu định kỳ [8].
Dữ liệu rời máy theo ba hướng: tới nhà cung cấp mô hình ở mỗi lượt gọi; tới Browser Use nếu dùng ChatBrowserUse hay trình duyệt cloud [1]; tới PostHog qua telemetry (dữ liệu sử dụng ẩn danh), tắt được bằng ANONYMIZED_TELEMETRY=false [10].
Năng lực đã đối chiếu với tài liệu tại commit c75e847
Agent: tham số task, llm, browser, tools; run() với max_steps mặc định 500; đầu ra có cấu trúc qua output_model_schema; extend_system_message hoặc override_system_message để chỉnh prompt hệ thống [1][7]; hook on_step_start, on_step_end cùng pause() và resume(); calculate_cost ghi chi phí vào history.usage [7][10].
Công cụ mặc định bao phủ tìm kiếm qua DuckDuckGo, Google hoặc Bing, điều hướng, nhấp, nhập, cuộn, gửi phím, tải tệp lên, chạy JavaScript qua evaluate, quản lý tab, trích xuất bằng mô hình, chụp màn hình, danh sách thả xuống, đọc ghi tệp và done [9]. Công cụ tự viết được đăng ký bằng @tools.action với mô tả và allowed_domains; gỡ công cụ mặc định bằng exclude_actions [9].
Trình duyệt: headless (chạy không hiện cửa sổ), allowed_domains và prohibited_domains, proxy, hồ sơ người dùng, storage state, from_system_chrome, ghi video, HAR, trace; tiện ích bật sẵn gồm uBlock Origin, trình xử lý cookie và ClearURLs; mã TOTP hai lớp được sinh từ khóa bí mật đặt trong sensitive_data [8]. Mô hình: BU2 và mã mô hình có tiền tố nhà cung cấp qua ChatBrowserUse, bộ bọc OpenAI, Anthropic, Google, mô hình cục bộ qua Ollama [1]; quickstart nhắc tới hơn 15 nhà cung cấp [5].
Phần gắn với dịch vụ trả phí cần tách riêng: trình duyệt cloud, decorator @sandbox, đồng bộ hồ sơ và skills đều đòi BROWSER_USE_API_KEY [5][7][8]; trình duyệt stealth, giải CAPTCHA và proxy dân cư thuộc Browser Use Cloud [4].
Viết nhiệm vụ cho agent trình duyệt: cụ thể, gọi tên hành động, có lối thoát
Tài liệu Agent có phần hướng dẫn viết nhiệm vụ: nhiệm vụ tốt giống một quy trình đánh số, có URL xuất phát, câu truy vấn trích xuất và nơi lưu kết quả; yêu cầu mơ hồ kiểu lên mạng kiếm tiền là ví dụ xấu [7].
Tài liệu khuyên gọi tên hành động trực tiếp, chuẩn bị lối thoát bằng bàn phím khi nút không nhấp được, và viết sẵn cách xử lý lỗi: bị chặn thì chuyển sang tìm kiếm, quá thời gian thì quay lại. Với xác thực hai lớp, ví dụ là tạo công cụ riêng để lấy mã và cấm agent tự đọc mã từ trang [7].
Bài đề xuất khuôn nhiệm vụ năm phần cho doanh nghiệp: mục tiêu và đầu ra; tên miền được phép; các bước; điều kiện dừng; việc bị cấm như gửi biểu mẫu hay thanh toán. Tài liệu không nói về chất lượng khi nhiệm vụ viết bằng tiếng Việt, nên ngôn ngữ viết nhiệm vụ là một biến cần thử.
Nhóm nên quan tâm và nhóm nên đứng ngoài
Đối tượng trực tiếp là nhóm phát triển Python cần đưa thao tác web vào ứng dụng, với mô hình tự chọn, công cụ riêng và đầu ra có cấu trúc [1]. Nhóm đã dùng agent lập trình như Claude Code hay Codex có thể đi đường CLI, dùng tương tác hoặc trong script [1]; dây chuyền cần lưu vết kiểm toán nên dùng thư viện để tận dụng lịch sử từng bước và hook [7].
Về nghiệp vụ, vận hành, mua hàng và nghiên cứu thị trường là nơi có nhiều việc tra cứu web lặp lại; lĩnh vực hợp gồm logistics, thương mại điện tử, xây dựng và bất động sản, nếu trang đích cho phép truy cập tự động.
Nên đứng ngoài nếu không ai đọc được Python và không định dùng cloud, nếu cần thu thập khối lượng lớn ở tốc độ cao, hoặc nếu quy trình đòi kết quả giống hệt nhau giữa các lần chạy.
Đề xuất cho một nhà thầu xây dựng: rà thông báo mời thầu và báo giá vật tư
Tình huống giả định, chưa triển khai ở đơn vị nào: một nhà thầu xây dựng quy mô vừa ở miền Trung có phòng kế hoạch – đấu thầu bốn người. Mỗi sáng, một nhân viên lọc gói xây lắp hợp năng lực trên cổng đấu thầu điện tử công khai rồi chép đơn giá thép, xi măng từ trang báo giá của nhà phân phối vào bảng dự toán.
Đề xuất dùng hai agent chỉ đọc chạy theo lịch. Agent thứ nhất duyệt thông báo với allowed_domains giới hạn đúng các cổng đã duyệt [8] và output_model_schema gồm số thông báo, tên gói thầu, bên mời thầu, địa điểm, thời điểm đóng thầu, đường dẫn nguồn [7]. Agent thứ hai trả về mã vật tư, đơn vị tính, đơn giá và ngày cập nhật. Kết quả vào bảng tính chung; trưởng phòng quyết định gói nào cần mua hồ sơ mời thầu.
Ranh giới cứng: không nộp hồ sơ dự thầu, không ký số, không thanh toán, không dùng tài khoản có quyền giao dịch. Cổng cần đăng nhập thì dùng storage state của tài khoản chỉ xem và tắt use_vision ở trang nhạy cảm [8]; bật GIF hoặc HAR để xem lại khi trích sai [7][8].
Đo bằng cách chạy song song với nhân viên trong ba đến bốn tuần: số gói bỏ sót, số trường sai, số lần cần can thiệp và chi phí mỗi lượt lấy từ calculate_cost [7][10]. Gặp CAPTCHA hoặc điều khoản cấm truy cập tự động thì dừng ở cổng đó và hỏi pháp chế.
Triển khai và vận hành: uv, Chromium và chọn nơi đặt trình duyệt
README yêu cầu Python 3.11 trở lên, cài bằng uv add browser-use [1]; quickstart mã nguồn mở dùng môi trường Python 3.12, lệnh uvx browser-use install để tải Chromium, và đặt khóa API trong biến môi trường [5].
Quyết định chính là đặt trình duyệt ở đâu: Chromium do thư viện khởi chạy, Chrome cài sẵn với hồ sơ thật (phải đóng hẳn Chrome trước khi chạy), máy chủ trình duyệt riêng qua cdp_url, hoặc cloud [8]; README xác nhận có thể tự lưu trữ cả thư viện lẫn trình duyệt [1]. Cờ chromium_sandbox mặc định bật, trừ khi chạy trong Docker [8]; khi đóng gói container, bài khuyên bù bằng người dùng không đặc quyền và chặn kết nối ra ngoài không cần thiết.
Các nút chỉnh độ bền gồm step_timeout mặc định 180 giây, llm_timeout theo mô hình, max_failures mặc định 5 và các biến TIMEOUT_ cho từng sự kiện [7]. Có thể quan sát qua Laminar, có phát lại phiên và tự lưu trữ được, hoặc OpenLIT theo chuẩn OpenTelemetry với endpoint OTLP riêng [10].
Quickstart gọi @sandbox là cách dễ nhất để lên production: agent chạy cạnh trình duyệt trên cloud của Browser Use, có callback nhận live_url, log, kết quả và lỗi [5]. Nếu tự lưu trữ, đơn vị tự lo hàng đợi, giới hạn đồng thời và lưu vết; nên ghim phiên bản và chạy lại bộ nhiệm vụ mẫu mỗi lần nâng cấp.
Bảo mật: trang web là đầu vào không tin cậy, cookie là chìa khóa
Nội dung trang đi thẳng vào ngữ cảnh mô hình, nên một trang có thể cài chỉ dẫn nhằm điều khiển agent, gọi là prompt injection (chèn lệnh vào nội dung). Các tệp đã đọc không mô tả lớp phòng thủ chuyên biệt cho kiểu tấn công này; kiểm soát nằm ở cấu hình: allowed_domains, prohibited_domains [8], allowed_domains theo từng công cụ và exclude_actions để gỡ evaluate hay upload_file khi không cần [9].
Thông tin đăng nhập là tài sản bí mật. Có sensitive_data [7], cờ has_sensitive_data cho công cụ [9] và lời khuyên dùng storage state thay mật khẩu [8]; nhưng tệp storage state chứa cookie và tự lưu [8], nên phải mã hóa, phân quyền như mật khẩu. Dùng hồ sơ Chrome cá nhân là trao cho agent các phiên đăng nhập đã lưu [8]; đồng bộ hồ sơ lên cloud chuyển cookie sang hạ tầng nhà cung cấp [1]. Tùy chọn disable_security được ghi là không khuyến nghị [8].
Ảnh chụp màn hình gửi theo mặc định có thể chứa dữ liệu cá nhân [7], và tài liệu khuyên tắt vision ở trang nhạy cảm [8]. HAR mặc định nhúng nội dung [8]; video và trace cũng là bản sao dữ liệu cần thời hạn lưu. Telemetry gửi tới PostHog và tắt được [10]. Dịch vụ cloud chịu điều khoản và chính sách quyền riêng tư của Browser Use [1]; gói Enterprise cần liên hệ riêng cho ZDR (không lưu giữ dữ liệu), tuân thủ và triển khai tại chỗ [4].
Lỗ hổng được báo qua GitHub security advisory, không qua issue công khai [3]. README cho biết cloud dùng trình duyệt stealth và proxy để giảm bị nhận diện là bot nhưng không bảo đảm vượt mọi CAPTCHA [1]; doanh nghiệp nên coi CAPTCHA là tín hiệu website không muốn bị truy cập tự động.
Giấy phép MIT của thư viện và những thứ nằm ngoài nó
LICENSE tại commit khảo sát là MIT, bản quyền năm 2024 của Gregor Zunic: được dùng, sửa, phân phối lại kể cả cho mục đích thương mại, miễn giữ thông báo bản quyền và giấy phép; phần mềm không kèm bảo hành [2]. README nhắc lại thư viện Python miễn phí và theo MIT [1].
README cũng vạch ranh giới: suy luận mô hình và trình duyệt lưu trữ tính riêng, ChatBrowserUse và Browser Use Cloud tính phí theo mức dùng, dịch vụ theo điều khoản riêng; Browser Harness, Cloud SDK hay Benchmark là các kho độc lập [1].
MIT của kho không bao trùm Chromium tải khi cài [5], tiện ích bật sẵn như uBlock Origin [8], mô hình BU2 hay mô hình bên thứ ba, và thư viện phụ thuộc. Đóng gói lại để phân phối thì phải rà từng giấy phép.
Kết luận gắn với commit c75e8476 ngày 07/10/2026. Phía cloud có nhiều thế hệ API: quickstart cloud trong kho giữ hướng dẫn v2 cho tích hợp cũ, còn v4 là đường hiện hành [4].
Chi phí: bước agent, giờ trình duyệt và giờ công kiểm tra
Chi phí gồm bốn loại nguồn lực: lượt gọi mô hình, ít nhất một lượt mỗi bước, thêm mô hình trích xuất nếu tách riêng và ngữ cảnh lớn hơn khi gửi ảnh [7]; CPU, RAM cho Chromium hoặc giờ trình duyệt cloud; proxy nếu cần; và giờ công viết nhiệm vụ, theo dõi lỗi, duyệt kết quả.
Quickstart cloud có bảng giá gồm phí khởi tạo và phí theo bước tùy mô hình, phí phiên trình duyệt theo giờ, proxy theo dung lượng, phí skills và các gói Business, Scaleup, Enterprise [4]. Bài không nhắc con số vì giá có thể đổi.
Ước tính nên ghi rõ giả định: số nhiệm vụ mỗi ngày, số bước trung bình đo từ thử nghiệm, tỷ lệ chạy lại, chi phí mỗi bước lấy từ history.usage [7][10]. Mô hình cục bộ qua Ollama tránh phí API [1] nhưng chuyển chi phí sang GPU, điện và người quản trị. Thước đo nên là chi phí trên mỗi kết quả được duyệt, tính cả công bảo trì khi website đổi giao diện.
So với script Playwright, nền tảng RPA và API chính thức
Nếu nguồn có API hoặc tệp xuất dữ liệu chính thức, đó là lựa chọn đầu tiên; agent chỉ nên lấp phần còn thiếu.
Script tất định viết bằng Playwright, Selenium hay Puppeteer rẻ mỗi lượt, lặp lại được, dễ kiểm thử, nhưng phải sửa khi giao diện đổi. Browser Use cho phép lai: công cụ tự viết nhấp theo bộ chọn CSS [9], initial_actions chạy bước cố định mà không cần mô hình [7]; phần ổn định viết bằng mã, phần biến động giao cho mô hình.
Nền tảng RPA thương mại như UiPath hay Microsoft Power Automate có trình thiết kế trực quan và lớp quản trị, kèm giấy phép thương mại. Khác biệt ở mức cách tiếp cận là quy trình RPA thường được thiết kế trước từng bước, còn ở đây mô hình chọn bước trong lúc chạy.
Tự lưu trữ thư viện hay dùng API agent lưu trữ sẵn, kể cả Browser Use Cloud [1][4], là đánh đổi giữa kiểm soát dữ liệu và gánh nặng vận hành. Bài không xếp hạng các khung agent trình duyệt khác vì thiếu phép đo độc lập; kết quả trên 60 nhiệm vụ của BU Bench V2 trong README [1] là phép đo do chính nhóm phát triển thực hiện.
Giới hạn và những việc không nên giao cho agent
Agent không tất định: cùng nhiệm vụ có thể đi đường khác nhau, và is_successful có thể là None khi chưa hoàn tất [7]; cần kiểm tra độc lập thay vì tin lời tự báo cáo.
Chất lượng phụ thuộc mô hình, và README thừa nhận lựa chọn tốt nhất tùy nhiệm vụ, độ trễ, ngân sách [1]. Không có bảo đảm vượt CAPTCHA [1]. Tài liệu Tools còn cảnh báo tham số đặt sai tên browser_session sẽ thất bại mà không báo lỗi [9].
Không nên dùng cho giao dịch cần chữ ký, website cấm tự động hóa, trang chứa dữ liệu cá nhân chưa đánh giá tác động, thu thập khối lượng lớn, hoặc nhiệm vụ không kiểm chứng được đầu ra.
Kế hoạch thử nghiệm sáu tuần với bộ nhiệm vụ có đáp án
Tuần 1: chọn 20 đến 30 nhiệm vụ chỉ đọc có đáp án do người lập, rà điều khoản từng website, định nghĩa schema và danh sách tên miền, dựng máy ảo riêng. Đây là kế hoạch đề xuất, chưa có số đo.
Tuần 2–3: chạy mỗi nhiệm vụ nhiều lần với hai cấu hình mô hình, so use_vision bật và tắt, lưu AgentHistoryList và chi phí [7][10]. Chỉ số gồm tỷ lệ nhiệm vụ đúng, tỷ lệ trường đúng, số bước trung vị, chi phí mỗi kết quả đạt và số lần can thiệp.
Tuần 4–5: chạy song song với nhân viên, thử tình huống xấu như trang thử có cài chỉ dẫn độc hại, quá thời gian, giao diện đổi, phiên hết hạn, mô hình chính lỗi để kiểm tra fallback_llm [7].
Tuần 6: so với ngưỡng đặt trước, ví dụ không bỏ sót mục quan trọng nào và chi phí mỗi kết quả thấp hơn giờ công tương ứng. Dừng ngay nếu agent ra ngoài tên miền cho phép, gửi dữ liệu ngoài ý muốn, vượt trần chi phí hoặc pháp chế phản đối.
Kết luận: tự động hóa linh hoạt hơn, đổi lại phải quản trị chặt hơn
Browser Use lấp khoảng trống giữa API và thao tác tay trên web, với đủ mảnh ghép cho một hệ thống kiểm soát được: đầu ra có cấu trúc, lịch sử từng bước, giới hạn tên miền, ghi hình và theo dõi chi phí [7][8][10].
Phần khó là quyết định agent được chạm vào đâu, bằng danh tính nào, ai kiểm tra kết quả, và tách thư viện MIT khỏi dịch vụ cloud trả phí [1].
Với doanh nghiệp Việt Nam, khởi đầu hợp lý là một quy trình chỉ đọc có người chịu trách nhiệm; nếu agent vẫn cần sửa tay thường xuyên, script tất định hoặc xin quyền dùng API có thể là lời giải tốt hơn.
Nguồn tại commit c75e8476 và phương pháp nghiên cứu
Bài thuộc nhóm AI agents và ứng dụng trong loạt tuyển chọn mã nguồn mở năm 2026. Dự án được chọn từ một kho lưu độc lập các trang GitHub Trending theo ngôn ngữ, với bằng chứng là lần xuất hiện ngày 09/01/2026 ở danh sách Python, vị trí thứ 9 [11]; dữ liệu tuyển chọn ghi nhận 21 lần xuất hiện tới 22/09/2026. Kho lưu chỉ có danh sách Python, Go, JavaScript, Swift và thiếu ngày 03/09, 12/10, nên không phải bảng xếp hạng Top 100 chính thức.
Tệp đã đọc tại commit c75e8476e26d18b7617643bc2ae082fae8eae431 (07/10/2026), kiểm tra ngày 12/10/2026: README, LICENSE, chính sách bảo mật, hai quickstart cloud và mã nguồn mở, quy ước cấu trúc mã, bốn tài liệu tham chiếu Agent, Browser, Tools, Monitoring [1][2][3][4][5][6][7][8][9][10]. Danh sách tệp tại commit chỉ có một LICENSE ở thư mục gốc. Tài liệu tham chiếu nằm trong thư mục skills, viết cho agent lập trình, nên có thể chậm hơn mã nguồn.
Phương pháp là đọc và đối chiếu tài liệu với hỗ trợ của AI, không phải công trình khoa học đã qua bình duyệt. Không có bước cài đặt, chạy hay đo nào; mọi con số lấy từ nguồn được trích. Tình huống nhà thầu, khuôn nhiệm vụ, chi phí và kế hoạch thử nghiệm là đề xuất của người viết.
Xem mã nguồn Browser Use trên GitHub