آموزش نصب Browser Use روی VPS؛ ساخت AI Agent که خودش مرورگر را کنترل می‌کند

تصور کنید یک دستیار هوشمند دارید که به‌جای شما وارد مرورگر می‌شود، فرم‌ها را پر می‌کند، اطلاعات را از سایت‌های مختلف استخراج می‌کند و حتی می‌تواند ساعت‌ها بدون خستگی به کارش ادامه دهد. این دقیقاً همان کاری است که Browser Use انجام می‌دهد — یک فریمورک متن‌باز که به مدل‌های زبانی بزرگ (LLM) اجازه می‌دهد یک مرورگر واقعی را کنترل کنند. در این مقاله، قدم‌به‌قدم یاد می‌گیرید چطور این ابزار قدرتمند را روی یک سرور مجازی نصب کنید و یک AI Agent بسازید که ۲۴ ساعته برای شما کار می‌کند.

اگر تا حالا با مفهوم Computer/Browser Agent آشنا نشده‌اید، باید بگوییم این خوشه جدید از ایجنت‌های هوش مصنوعی قرار است روش کار ما با وب را متحول کند. به‌جای اینکه شما مدام بین تب‌های مرورگر جابه‌جا شوید، یک ایجنت هوشمند این کار را به‌عهده می‌گیرد. اما چالش اصلی اینجاست: اجرای این ایجنت‌ها روی لپ‌تاپ شخصی امن نیست. راه‌حل؟ یک سرور مجازی اختصاصی که محیطی ایزوله و امن برای اجرای ۲۴ ساعته فراهم می‌کند.

Browser Use دقیقاً چیست و چرا به VPS نیاز دارد؟

Browser Use یک کتابخانه پایتون است که پل ارتباطی بین مدل‌های زبانی بزرگ مثل Claude، GPT-4 و Gemini با مرورگر کروم برقرار می‌کند . به زبان ساده، شما یک دستور به زبان طبیعی می‌نویسید — مثلاً «برو به سایت دیجی‌کالا، قیمت آخرین مدل گوشی سامسونگ را پیدا کن و در یک فایل ذخیره کن» — و Browser Use این دستور را به اقدامات عملی در مرورگر ترجمه می‌کند: باز کردن تب، کلیک روی دکمه، تایپ در فرم جستجو و استخراج نتیجه.

حالا چرا این ابزار به سرور مجازی نیاز دارد؟ سه دلیل اساسی:

🔹 امنیت: وقتی یک ایجنت هوش مصنوعی کنترل مرورگر را به‌دست می‌گیرد، عملاً به تمام کوکی‌ها، نشست‌های لاگین و اطلاعات حساس شما دسترسی پیدا می‌کند. اگر این کار روی لپ‌تاپ شخصی انجام شود، یک prompt injection می‌تواند فاجعه‌بار باشد .

🔹 دسترسی ۲۴ ساعته: اگر ایجنت روی لپ‌تاپ اجرا شود، به‌محض بستن درب لپ‌تاپ یا قطع اینترنت، همه‌چیز متوقف می‌شود. یک VPS همیشه روشن است.

🔹 محیط ایزوله: حتی اگر ایجنت خطا کند یا دچار مشکل شود، فقط همان محیط مجازی آسیب می‌بیند، نه سیستم شخصی شما .

پیش‌نیازهای سخت‌افزاری و نرم‌افزاری

Browser Use یک مرورگر کامل کرومیوم را همراه با ایجنت هوش مصنوعی اجرا می‌کند. بنابراین منابع مصرفی آن قابل توجه است. بر اساس مستندات رسمی، حداقل به یک سیستم Ubuntu 22.04 یا بالاتر با ۲ گیگابایت رم نیاز دارید . اما از نظر عملی، برای اجرای روان ایجنت و مرورگر به‌صورت همزمان، پیشنهاد می‌کنیم از یک VPS با ۴ گیگابایت رم و ۲ هسته CPU استفاده کنید .

از نظر نرم‌افزاری نیز به Python 3.12 یا بالاتر و یک کلید API از یکی از ارائه‌دهندگان مدل زبانی نیاز دارید. Browser Use از بیش از ۱۵ ارائه‌دهنده مختلف پشتیبانی می‌کند که از میان آن‌ها می‌توان به OpenAI، Anthropic و Google Gemini اشاره کرد .

آماده‌سازی سرور مجازی برای نصب

قبل از هر چیز، باید سرور خود را برای یک اجرای امن و پایدار آماده کنید. این مرحله شامل به‌روزرسانی سیستم، نصب پیش‌نیازهای کرومیوم و ایجاد یک محیط مجازی پایتون است.

مرحله ۱: اتصال به سرور و به‌روزرسانی

با استفاده از SSH به سرور خود متصل شوید و دستورات زیر را اجرا کنید:

sudo apt update && sudo apt upgrade -y
sudo apt install -y python3 python3-pip python3-venv git curl wget

مرحله ۲: نصب پیش‌نیازهای سیستم کرومیوم

این مرحله حیاتی است و بسیاری از آموزش‌ها آن را نادیده می‌گیرند. کرومیوم روی یک سرور بدون نمایشگر به ده‌ها کتابخانه سیستمی نیاز دارد :

sudo apt install -y \
  ca-certificates fonts-liberation libasound2 libatk-bridge2.0-0 \
  libatk1.0-0 libc6 libcairo2 libcups2 libdbus-1-3 libexpat1 \
  libfontconfig1 libgbm1 libgcc1 libglib2.0-0 libgtk-3-0 \
  libnspr4 libnss3 libpango-1.0-0 libpangocairo-1.0-0 libstdc++6 \
  libx11-6 libx11-xcb1 libxcb1 libxcomposite1 libxcursor1 \
  libxdamage1 libxext6 libxfixes3 libxi6 libxrandr2 libxrender1 \
  libxss1 libxtst6 lsb-release xdg-utils

مرحله ۳: ایجاد محیط مجازی و نصب Browser Use

حالا نوبت به نصب خود Browser Use می‌رسد. توصیه می‌کنیم از uv استفاده کنید که سریع‌تر و پایدارتر از pip معمولی است :

pip install uv
uv venv --python 3.12
source .venv/bin/activate
uv pip install browser-use
uvx browser-use install  # دانلود کرومیوم

پس از اجرای این دستورات، کرومیوم به‌صورت خودکار دانلود و نصب می‌شود. اگر با خطای missing dependencies مواجه شدید، به مرحله ۲ برگردید و مطمئن شوید همه کتابخانه‌ها نصب شده‌اند.

پیکربندی کلیدهای API

Browser Use به یک مدل زبانی برای «فکر کردن» نیاز دارد. شما می‌توانید از هر یک از ارائه‌دهندگان پشتیبانی‌شده استفاده کنید. یک فایل .env در پوشه پروژه ایجاد کنید:

# انتخاب یکی از موارد زیر:
BROWSER_USE_API_KEY=bu_xxxxxxxx
OPENAI_API_KEY=sk-xxxxxxxx
ANTHROPIC_API_KEY=sk-ant-xxxxxxxx
GOOGLE_API_KEY=xxxxxxxx

اگر نمی‌خواهید هزینه API بپردازید، Browser Use یک پلن رایگان نیز دارد که شامل ۳ مرورگر همزمان، حل CAPTCHA و پروکسی است . برای شروع، این گزینه ایده‌آلی است.

نوشتن اولین AI Agent

حالا لحظه هیجان‌انگیز فرا رسیده است. یک فایل به نام first_agent.py ایجاد کنید و کد زیر را در آن قرار دهید:

from browser_use import Agent, ChatBrowserUse
from dotenv import load_dotenv
import asyncio

load_dotenv()

async def main():
    llm = ChatBrowserUse()
    agent = Agent(
        task="برو به سایت news.ycombinator.com و عنوان اولین پست را پیدا کن",
        llm=llm
    )
    await agent.run()

if __name__ == "__main__":
    asyncio.run(main())

این کد یک ایجنت ساده می‌سازد که به سایت Hacker News می‌رود و عنوان اولین پست را استخراج می‌کند. برای اجرا:

pip install python-dotenv
python first_agent.py

اگر همه‌چیز درست پیش رفته باشد، ایجنت شما یک مرورگر کرومیوم را به‌صورت headless باز می‌کند، به سایت مورد نظر می‌رود و نتیجه را در ترمینال نمایش می‌دهد.

اجرای ایجنت به‌صورت ۲۴ ساعته با Systemd

یک ایجنت واقعی نباید با بستن ترمینال متوقف شود. برای اجرای دائمی، از systemd استفاده می‌کنیم. یک فایل سرویس ایجاد کنید:

sudo nano /etc/systemd/system/browser-agent.service

محتوای زیر را در آن قرار دهید (مسیرها را با مسیر واقعی پروژه خود جایگزین کنید):

[Unit]
Description=Browser Use AI Agent
After=network.target

[Service]
Type=simple
User=your_user
WorkingDirectory=/home/your_user/browser-agent
Environment="PATH=/home/your_user/browser-agent/.venv/bin"
ExecStart=/home/your_user/browser-agent/.venv/bin/python first_agent.py
Restart=always
RestartSec=10

[Install]
WantedBy=multi-user.target

سپس سرویس را فعال و اجرا کنید:

sudo systemctl daemon-reload
sudo systemctl enable browser-agent
sudo systemctl start browser-agent
sudo systemctl status browser-agent

از این لحظه، ایجنت شما حتی پس از ریبوت سرور نیز به‌صورت خودکار اجرا می‌شود.

مدیریت حافظه و جلوگیری از OOM

کرومیوم به‌تنهایی حدود ۸۰۰ مگابایت تا ۱.۵ گیگابایت رم مصرف می‌کند. روی یک VPS با ۲ یا ۴ گیگابایت رم، اگر مراقب نباشید، سیستم‌عامل ممکن است پروسه ایجنت را به‌عنوان OOM Killer بکشد .

راه‌حل‌ها:

🔹 ساخت Swap: یک فایل swap حداقل ۲ گیگابایتی بسازید تا در مواقع کمبود رم، سیستم‌عامل از دیسک استفاده کند .

sudo fallocate -l 2G /swapfile
sudo chmod 600 /swapfile
sudo mkswap /swapfile
sudo swapon /swapfile
echo '/swapfile none swap sw 0 0' | sudo tee -a /etc/fstab

🔹 محدودسازی مصرف کرومیوم: در کد خود، آرگومان‌های –disable-dev-shm-usage و –no-sandbox را به مرورگر پاس دهید. این کار مصرف حافظه اشتراکی را کاهش می‌دهد .

🔹 پایش مداوم: دستور htop یا vmstat را اجرا کنید و اگر ستون‌های si و so اعداد غیرصفر نشان دادند، یعنی سیستم در حال استفاده مفرط از swap است و باید رم را افزایش دهید.

مقایسه Browser Use با سایر ابزارهای اتوماسیون

تفاوت اصلی Browser Use با Puppeteer و Playwright در این است که شما به‌جای نوشتن سلکتورهای CSS و XPath، با زبان طبیعی با ایجنت صحبت می‌کنید. ایجنت خودش تصمیم می‌گیرد روی کدام دکمه کلیک کند، کدام فرم را پر کند و چطور به هدف برسد .

عیب‌یابی خطاهای رایج

خطای «Executable doesn’t exist»

این خطا یعنی کرومیوم به‌درستی نصب نشده است. دستور uvx browser-use install را مجدداً اجرا کنید. اگر همچنان مشکل ادامه داشت، بررسی کنید که آیا کتابخانه‌های سیستمی مرحله ۲ به‌طور کامل نصب شده‌اند .

خطای «Connection refused» یا Timeout در اجرای ایجنت

معمولاً به دلیل مسدود بودن پورت‌های خروجی یا مشکل در کلید API رخ می‌دهد. اطمینان حاصل کنید که سرور شما به اینترنت دسترسی دارد و کلید API به‌درستی در فایل .env تنظیم شده است.

کندی شدید ایجنت

اگر ایجنت هر مرحله را با تأخیر زیادی انجام می‌دهد، احتمالاً منابع سرور (رم یا CPU) اشباع شده است. با دستور htop مصرف منابع را بررسی کنید. اگر رم بالای ۹۰٪ است، باید پلن سرور خود را ارتقا دهید یا تعداد تب‌های باز مرورگر را محدود کنید.

نکات پیشرفته برای حرفه‌ای‌ها

استفاده از حالت Sandbox ابری

اگر نمی‌خواهید مدیریت سرور و مرورگر را خودتان به‌عهده بگیرید، Browser Use یک قابلیت به نام @sandbox ارائه می‌دهد که ایجنت و مرورگر را روی زیرساخت ابری خودشان اجرا می‌کند. این گزینه برای پروژه‌های مقیاس‌پذیر ایده‌آل است .

افزودن بینایی به ایجنت

Browser Use به‌صورت پیش‌فرض از اسکرین‌شات استفاده می‌کند. اما می‌توانید پارامتر use_vision را روی auto تنظیم کنید تا فقط در مواقع ضروری از بینایی ماشین استفاده شود. این کار سرعت اجرا را افزایش و هزینه API را کاهش می‌دهد .

ادغام با Telegram

Browser Use Box — یک نسخه بسته‌بندی‌شده از Browser Use — این امکان را فراهم می‌کند که ایجنت خود را از طریق تلگرام کنترل کنید. کافیست یک ربات تلگرام بسازید و توکن آن را به ایجنت بدهید. از آن پس می‌توانید از هر جای دنیا به ایجنت خود دستور بدهید .

سوالات متداول

آیا می‌توانم Browser Use را روی VPS با ۲ گیگابایت رم اجرا کنم؟

بله، اما تجربه روانی نخواهید داشت. حداقل رم برای اجرای همزمان کرومیوم و ایجنت ۴ گیگابایت است. با ۲ گیگابایت، باید مطمئن شوید که swap کافی دارید و فقط یک تب مرورگر باز است .

آیا Browser Use رایگان است؟

خود کتابخانه Browser Use متن‌باز و رایگان است. اما برای استفاده از مدل زبانی، باید هزینه API بپردازید. با این حال، پلن رایگان Browser Use Cloud شامل ۳ مرورگر همزمان و حل CAPTCHA است .

آیا می‌توانم از مدل‌های محلی به‌جای API استفاده کنم؟

بله، Browser Use از طریق Ollama از مدل‌های محلی پشتیبانی می‌کند. اما برای اجرای مدل‌های بزرگ (مثل Llama 3 70B) به یک GPU قدرتمند نیاز دارید که معمولاً روی VPSهای معمولی موجود نیست .

چطور از ایجنت در برابر prompt injection محافظت کنم؟

اولاً ایجنت را روی یک VPS جداگانه اجرا کنید، نه روی سیستم شخصی. ثانیاً دسترسی‌های ایجنت را محدود کنید — به آن اجازه ندهید به فایل‌های حساس دسترسی داشته باشد. ثالثاً از environment variables برای ذخیره کلیدهای API استفاده کنید و هرگز آن‌ها را در کد hardcode نکنید .

آیا Browser Use با سایت‌هایی که CAPTCHA دارند کار می‌کند؟

بله، Browser Use Cloud قابلیت حل CAPTCHA را به‌صورت داخلی دارد. اما اگر از نسخه متن‌باز استفاده می‌کنید، باید خودتان یک سرویس حل CAPTCHA (مثل 2Captcha) را ادغام کنید .