人工智能AI Agent浏览器控制GUI 自动化MCP 服务【免费下载链接】browser-useAgents that use the browser.项目地址https://gitcode.com/GitHub_Trending/br/browser-use点击查看免费下载本文基于开源仓库 browser-use 官方监控文档skills/open-source/references/monitoring.md系统讲解四个核心能力内置的 Token 用量与费用核算Cost Tracking、面向 AI Agent 的 Laminar 原生监控集成含浏览器会话视频回放、基于 OpenTelemetry 的零代码可观测性方案 OpenLIT以及匿名遥测Telemetry的开启与关闭。读完本文你将能在自己的 browser-use 项目中精确核算每次 Agent 运行的 LLM 成本、对执行步骤与浏览器会话进行全链路追踪并按需控制隐私数据的收集。一、Cost Tracking内置的 Token 用量与费用核算browser-use 内置了一套完整的 Token 成本追踪服务TokenCost可以自动记录 Agent 运行过程中所有 LLM 调用的 token 消耗并按模型定价实时计算费用。1.1 开启成本计算在构造Agent时传入calculate_costTrueagent Agent(task..., llmllm, calculate_costTrue) history await agent.run() # 方式一直接从 history 读取用量汇总 usage history.usage # 方式二通过 token_cost_service 获取汇总 summary await agent.token_cost_service.get_usage_summary()也可以不修改代码通过环境变量全局开启对应源码中的os.getenv(BROWSER_USE_CALCULATE_COST, false)读取逻辑见 browser_use/tokens/service.pyexport BROWSER_USE_CALCULATE_COSTtrue1.2 源码级原理定价数据从哪来从源码看TokenCost服务的核心实现位于 browser_use/tokens/service.py定价数据源默认从 LiteLLM 仓库的model_prices_and_context_window.json拉取各模型单价并通过环境变量BROWSER_USE_MODEL_PRICING_URL或Agent的pricing_url参数自定义数据源本地缓存定价数据会缓存在~/.cache/browser_use/token_cost/目录下缓存有效期 1 天CACHE_DURATION timedelta(days1)过期或数据源变化后自动重新拉取自动插桩register_llm()会以装饰器方式包裹 LLM 的ainvoke方法每次调用结束后自动记录ChatInvokeUsage到usage_history因此不需要修改任何业务代码多模型注册Agent 构造时会同时注册主 LLM、页面抽取 LLMpage_extraction_llm、评判 LLMjudge_llm以及消息压缩 LLMcompaction_llm所有调用都会被统一计入见 browser_use/agent/service.py。1.3 成本明细结构get_usage_summary()返回的UsageSummary对象定义于 browser_use/tokens/views.py包含以下字段字段含义total_prompt_tokens/total_prompt_cost输入 token 总量与费用total_prompt_cached_tokens/total_prompt_cached_cost缓存命中的输入 token 与费用如 Anthropic Prompt Cachingtotal_prompt_cache_creation_tokens/total_prompt_cache_creation_cost缓存创建产生的 token 与费用Anthropic 专属total_completion_tokens/total_completion_cost输出 token 总量与费用total_tokens/total_cost总 token 数与总费用entry_count记录的 LLM 调用次数by_model按模型拆分的统计ModelUsageStatstoken 数、费用、调用次数、每次平均 token对应底层每次 LLM 调用记录的ChatInvokeUsagebrowser_use/llm/views.py区分了prompt_tokens含缓存部分、prompt_cached_tokens、prompt_cache_creation_tokens、completion_tokens以及pricing_multiplier供应商级价格系数使得成本核算能精确到「新 prompt / 缓存读取 / 缓存创建 / 完成输出」四类明细。1.4 运行结束后的自动汇总Agent 每次run()结束时会在finally块中自动执行history.usage await self.token_cost_service.get_usage_summary()并把结果写回历史对象见 browser_use/agent/service.py同时通过log_usage_summary()在控制台以彩色格式打印分模型汇总包含调用次数、平均 token/次、费用等方便开发阶段直接观察。如需查询单个模型的用量可用tokens agent.token_cost_service.get_usage_tokens_for_model(gpt-4.1)二、Laminar面向 AI Agent 的原生监控集成Laminar 是 browser-use 的原生可观测性集成方案专注于 AI Agent 场景最突出的能力是浏览器会话视频回放——可以直接回看 Agent 在浏览器中的完整操作过程。2.1 安装与初始化pip install lmnrfrom lmnr import Laminar Laminar.initialize() # 需要设置 LMNR_PROJECT_API_KEY 环境变量初始化时需要提前配置LMNR_PROJECT_API_KEY环境变量指向你的 Laminar 项目。2.2 核心能力Agent 执行步骤捕获自动记录每一步 Agent 的动作与思考过程以时间线timeline形式呈现浏览器会话录制完整视频回放 Agent 在浏览器中的操作便于复盘失败场景成本与 Token 追踪与 Cost Tracking 能力打通在 trace 中直接看到每次调用的 token 与费用Trace 可视化查看完整的调用链与嵌套结构。2.3 源码中的集成机制browser-use 在 browser_use/observability.py 中提供了与 lmnr 完全兼容的observe/observe_debug装饰器observe只要安装了lmnr就启用真实追踪未安装时自动降级为 no-op 装饰器接受相同参数但不做任何事因此业务代码无需条件判断observe_debug仅在调试模式下启用追踪通过LMNR_LOGGING_LEVELdebug或日志级别为 DEBUG 时激活支持span_typeDEFAULT/LLM/TOOL、ignore_input、ignore_output、metadata等参数可灵活控制 span 中记录的字段可通过get_observability_status()查询当前lmnr_available、debug_mode、observe_active等状态。2.4 认证方式Laminar 支持两种接入方式云端同步运行browser-use auth命令走 OAuth Device Flow 完成设备授权登录后遥测与录制数据会同步到云端自托管部署自己的 Laminar 服务端将LMNR_PROJECT_API_KEY指向自建实例。仓库中 browser_use/sync/auth.py 即为 OAuth2 Device Authorization Grant 流程的客户端实现设备 ID 持久化在BROWSER_USE_CONFIG_DIR默认~/.config/browseruse/下的device_id文件中。三、OpenLITOpenTelemetry零代码可观测性插桩如果你希望在不侵入代码的前提下获得 OpenTelemetry 标准的监控数据OpenLIT 是最省事的选择——一行代码即可自动插桩 browser-use。3.1 安装与初始化pip install openlit browser-useimport openlit openlit.init() # 自动插桩 browser-use无需额外配置3.2 核心能力执行流程可视化在 OpenLIT 的 UI 中查看 Agent 完整的执行流程图成本与 Token 追踪每个 LLM 调用的 token 消耗与费用自动上报失败调试通过 Agent 的思考过程thought process定位失败步骤性能优化洞察基于 trace 数据识别耗时与瓶颈环节。3.3 自定义 OTLP 端点默认情况下 OpenLIT 会把数据发送到官方 collector。如果你的组织已有 OpenTelemetry Collector可以指定自定义 OTLP 端点openlit.init(otlp_endpointhttp://your-collector:4318)3.4 与主流可观测性生态的集成OpenLIT 基于 OpenTelemetry 标准协议输出数据因此可以无缝对接以下后端Jaeger、Prometheus、Grafana、Datadog、New Relic、Elastic APM这意味着你可以把 browser-use 的 Agent 执行数据统一汇入公司已有的监控大盘与业务指标同屏观察。3.5 自托管 OpenLIT如果不想依赖托管服务可以用官方 Docker 镜像一键自托管同时暴露 Web UI 端口 3000 与 OTLP 接收端口 4318docker run -d -p 3000:3000 -p 4318:4318 openlit/openlit四、Telemetry匿名遥测与隐私控制browser-use 通过 PostHog 收集匿名的使用数据如 Agent 运行时的模型、步数、token 用量、成功与否等用于改进产品且对运行时性能没有影响——事件发送是异步非阻塞的即使发送失败也仅记录一条 error 日志而不会中断 Agent见 browser_use/telemetry/service.py。4.1 关闭遥测默认遥测开启源码中ANONYMIZED_TELEMETRY默认值为true见 browser_use/config.py。如希望关闭可通过环境变量ANONYMIZED_TELEMETRYfalse或在 Python 中于导入 browser-use 之前设置import os os.environ[ANONYMIZED_TELEMETRY] false4.2 遥测的源码实现细节从 browser_use/telemetry/service.py 可以了解其工作原理ProductTelemetry是单例服务初始化时读取CONFIG.ANONYMIZED_TELEMETRY为false时直接禁用 PostHog 客户端设备标识通过get_or_create_device_id()生成匿名设备 ID——优先读取已持久化的 IDBROWSER_USE_DEVICE_ID环境变量或~/.config/browseruse/device_id文件否则基于硬件信息计算哈希指纹_machine_fingerprint()再兜底生成 UUIDv7整个过程不包含任何可反推个人身份的字段事件类型定义于 browser_use/telemetry/views.py主要包括AgentTelemetryEvent记录 Agent 运行的任务描述、模型与供应商、步数、输入/输出 token、缓存 token、总耗时、成功与否、错误信息以及可选的人工评判结果judge_verdict、judge_reasoning等MCPClientTelemetryEvent/MCPServerTelemetryEvent记录 MCP 客户端/服务端的连接、断开与工具调用情况上报时机Agent 每次run()结束后调用self.telemetry.capture(AgentTelemetryEvent(...))上报见 browser_use/agent/service.pyflush()用于显式排空队列。4.3 云端同步与遥测的关系当遥测开启时BROWSER_USE_CLOUD_SYNC默认跟随ANONYMIZED_TELEMETRY的值见 browser_use/config.py。若你希望关闭遥测上报同时保留云端同步可单独显式设置BROWSER_USE_CLOUD_SYNCtrue。五、选型建议与组合使用方案适用场景特点Cost Tracking内置只想核算 token 与费用零外部依赖calculate_costTrue即用支持自定义定价源Laminar需要 Agent 级全链路 trace 浏览器视频回放需安装lmnr并配置项目 API Key支持云端同步或自托管OpenLIT已有 OpenTelemetry 基础设施希望零代码接入一行openlit.init()完成插桩数据可对接 Jaeger/Grafana 等Telemetry 开关隐私敏感环境通过ANONYMIZED_TELEMETRYfalse一键关闭匿名上报实际项目中建议这样组合生产环境用 Cost Tracking 做费用预算与告警基线用 Laminar 或 OpenLIT 之一做执行链路与失败复盘二者选其一即可避免重复插桩在隐私敏感的部署环境中显式关闭匿名遥测。相关完整示例可参考仓库 examples/observability/openLLMetry.py 以及 examples/features/video_recording.py、examples/features/custom_output.py 等组合用法。赞分享人工智能AI Agent浏览器控制GUI 自动化MCP 服务【免费下载链接】browser-useAgents that use the browser.项目地址https://gitcode.com/GitHub_Trending/br/browser-use点击查看免费下载相关推荐Istio可观测性监控、追踪与日志集成Istio可观测性监控、追踪与日志集成 本文全面介绍了Istio服务网格的可观测性能力重点阐述了分布式追踪与OpenTelemetry的集成、指标收集与Pr服务网格云原生微服务网络负载均衡可观测性LiteLLM可观测性日志、监控与追踪集成LiteLLM可观测性日志、监控与追踪集成 LiteLLM提供了一个全面的可观测性解决方案包括内置日志系统、回调机制以及与主流第三方监控平台的深度集成。该系后端API网关LLM 网关大模型人工智能MLflow 集成 Anthropic Claudemlflow.anthropic 自动追踪Tracing与 Token 成本可观测实战指南MLflow 集成 Anthropic Claudemlflow.anthropic 自动追踪Tracing与 Token 成本可观测实战指南 MLfloMLOpsLLMOps人工智能大模型模型评测LLM 网关可观测性上一篇告别繁琐gh_mirrors/to/tools 智能合同管理系统全攻略下一篇Boss Show Time你的招聘时间智能管家彻底告别信息滞后焦虑创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考 
长河君 · 2026/9/30 13:00:13 · 阅读 1.2k browser-use 监控与可观测性实战指南：Token 成本追踪、Laminar 与 OpenLIT 集成、遥测隐私控制
人工智能AI Agent浏览器控制GUI 自动化MCP 服务【免费下载链接】browser-useAgents that use the browser.项目地址https://gitcode.com/GitHub_Trending/br/browser-use点击查看免费下载本文基于开源仓库 browser-use 官方监控文档skills/open-source/references/monitoring.md系统讲解四个核心能力内置的 Token 用量与费用核算Cost Tracking、面向 AI Agent 的 Laminar 原生监控集成含浏览器会话视频回放、基于 OpenTelemetry 的零代码可观测性方案 OpenLIT以及匿名遥测Telemetry的开启与关闭。读完本文你将能在自己的 browser-use 项目中精确核算每次 Agent 运行的 LLM 成本、对执行步骤与浏览器会话进行全链路追踪并按需控制隐私数据的收集。一、Cost Tracking内置的 Token 用量与费用核算browser-use 内置了一套完整的 Token 成本追踪服务TokenCost可以自动记录 Agent 运行过程中所有 LLM 调用的 token 消耗并按模型定价实时计算费用。1.1 开启成本计算在构造Agent时传入calculate_costTrueagent Agent(task..., llmllm, calculate_costTrue) history await agent.run() # 方式一直接从 history 读取用量汇总 usage history.usage # 方式二通过 token_cost_service 获取汇总 summary await agent.token_cost_service.get_usage_summary()也可以不修改代码通过环境变量全局开启对应源码中的os.getenv(BROWSER_USE_CALCULATE_COST, false)读取逻辑见 browser_use/tokens/service.pyexport BROWSER_USE_CALCULATE_COSTtrue1.2 源码级原理定价数据从哪来从源码看TokenCost服务的核心实现位于 browser_use/tokens/service.py定价数据源默认从 LiteLLM 仓库的model_prices_and_context_window.json拉取各模型单价并通过环境变量BROWSER_USE_MODEL_PRICING_URL或Agent的pricing_url参数自定义数据源本地缓存定价数据会缓存在~/.cache/browser_use/token_cost/目录下缓存有效期 1 天CACHE_DURATION timedelta(days1)过期或数据源变化后自动重新拉取自动插桩register_llm()会以装饰器方式包裹 LLM 的ainvoke方法每次调用结束后自动记录ChatInvokeUsage到usage_history因此不需要修改任何业务代码多模型注册Agent 构造时会同时注册主 LLM、页面抽取 LLMpage_extraction_llm、评判 LLMjudge_llm以及消息压缩 LLMcompaction_llm所有调用都会被统一计入见 browser_use/agent/service.py。1.3 成本明细结构get_usage_summary()返回的UsageSummary对象定义于 browser_use/tokens/views.py包含以下字段字段含义total_prompt_tokens/total_prompt_cost输入 token 总量与费用total_prompt_cached_tokens/total_prompt_cached_cost缓存命中的输入 token 与费用如 Anthropic Prompt Cachingtotal_prompt_cache_creation_tokens/total_prompt_cache_creation_cost缓存创建产生的 token 与费用Anthropic 专属total_completion_tokens/total_completion_cost输出 token 总量与费用total_tokens/total_cost总 token 数与总费用entry_count记录的 LLM 调用次数by_model按模型拆分的统计ModelUsageStatstoken 数、费用、调用次数、每次平均 token对应底层每次 LLM 调用记录的ChatInvokeUsagebrowser_use/llm/views.py区分了prompt_tokens含缓存部分、prompt_cached_tokens、prompt_cache_creation_tokens、completion_tokens以及pricing_multiplier供应商级价格系数使得成本核算能精确到「新 prompt / 缓存读取 / 缓存创建 / 完成输出」四类明细。1.4 运行结束后的自动汇总Agent 每次run()结束时会在finally块中自动执行history.usage await self.token_cost_service.get_usage_summary()并把结果写回历史对象见 browser_use/agent/service.py同时通过log_usage_summary()在控制台以彩色格式打印分模型汇总包含调用次数、平均 token/次、费用等方便开发阶段直接观察。如需查询单个模型的用量可用tokens agent.token_cost_service.get_usage_tokens_for_model(gpt-4.1)二、Laminar面向 AI Agent 的原生监控集成Laminar 是 browser-use 的原生可观测性集成方案专注于 AI Agent 场景最突出的能力是浏览器会话视频回放——可以直接回看 Agent 在浏览器中的完整操作过程。2.1 安装与初始化pip install lmnrfrom lmnr import Laminar Laminar.initialize() # 需要设置 LMNR_PROJECT_API_KEY 环境变量初始化时需要提前配置LMNR_PROJECT_API_KEY环境变量指向你的 Laminar 项目。2.2 核心能力Agent 执行步骤捕获自动记录每一步 Agent 的动作与思考过程以时间线timeline形式呈现浏览器会话录制完整视频回放 Agent 在浏览器中的操作便于复盘失败场景成本与 Token 追踪与 Cost Tracking 能力打通在 trace 中直接看到每次调用的 token 与费用Trace 可视化查看完整的调用链与嵌套结构。2.3 源码中的集成机制browser-use 在 browser_use/observability.py 中提供了与 lmnr 完全兼容的observe/observe_debug装饰器observe只要安装了lmnr就启用真实追踪未安装时自动降级为 no-op 装饰器接受相同参数但不做任何事因此业务代码无需条件判断observe_debug仅在调试模式下启用追踪通过LMNR_LOGGING_LEVELdebug或日志级别为 DEBUG 时激活支持span_typeDEFAULT/LLM/TOOL、ignore_input、ignore_output、metadata等参数可灵活控制 span 中记录的字段可通过get_observability_status()查询当前lmnr_available、debug_mode、observe_active等状态。2.4 认证方式Laminar 支持两种接入方式云端同步运行browser-use auth命令走 OAuth Device Flow 完成设备授权登录后遥测与录制数据会同步到云端自托管部署自己的 Laminar 服务端将LMNR_PROJECT_API_KEY指向自建实例。仓库中 browser_use/sync/auth.py 即为 OAuth2 Device Authorization Grant 流程的客户端实现设备 ID 持久化在BROWSER_USE_CONFIG_DIR默认~/.config/browseruse/下的device_id文件中。三、OpenLITOpenTelemetry零代码可观测性插桩如果你希望在不侵入代码的前提下获得 OpenTelemetry 标准的监控数据OpenLIT 是最省事的选择——一行代码即可自动插桩 browser-use。3.1 安装与初始化pip install openlit browser-useimport openlit openlit.init() # 自动插桩 browser-use无需额外配置3.2 核心能力执行流程可视化在 OpenLIT 的 UI 中查看 Agent 完整的执行流程图成本与 Token 追踪每个 LLM 调用的 token 消耗与费用自动上报失败调试通过 Agent 的思考过程thought process定位失败步骤性能优化洞察基于 trace 数据识别耗时与瓶颈环节。3.3 自定义 OTLP 端点默认情况下 OpenLIT 会把数据发送到官方 collector。如果你的组织已有 OpenTelemetry Collector可以指定自定义 OTLP 端点openlit.init(otlp_endpointhttp://your-collector:4318)3.4 与主流可观测性生态的集成OpenLIT 基于 OpenTelemetry 标准协议输出数据因此可以无缝对接以下后端Jaeger、Prometheus、Grafana、Datadog、New Relic、Elastic APM这意味着你可以把 browser-use 的 Agent 执行数据统一汇入公司已有的监控大盘与业务指标同屏观察。3.5 自托管 OpenLIT如果不想依赖托管服务可以用官方 Docker 镜像一键自托管同时暴露 Web UI 端口 3000 与 OTLP 接收端口 4318docker run -d -p 3000:3000 -p 4318:4318 openlit/openlit四、Telemetry匿名遥测与隐私控制browser-use 通过 PostHog 收集匿名的使用数据如 Agent 运行时的模型、步数、token 用量、成功与否等用于改进产品且对运行时性能没有影响——事件发送是异步非阻塞的即使发送失败也仅记录一条 error 日志而不会中断 Agent见 browser_use/telemetry/service.py。4.1 关闭遥测默认遥测开启源码中ANONYMIZED_TELEMETRY默认值为true见 browser_use/config.py。如希望关闭可通过环境变量ANONYMIZED_TELEMETRYfalse或在 Python 中于导入 browser-use 之前设置import os os.environ[ANONYMIZED_TELEMETRY] false4.2 遥测的源码实现细节从 browser_use/telemetry/service.py 可以了解其工作原理ProductTelemetry是单例服务初始化时读取CONFIG.ANONYMIZED_TELEMETRY为false时直接禁用 PostHog 客户端设备标识通过get_or_create_device_id()生成匿名设备 ID——优先读取已持久化的 IDBROWSER_USE_DEVICE_ID环境变量或~/.config/browseruse/device_id文件否则基于硬件信息计算哈希指纹_machine_fingerprint()再兜底生成 UUIDv7整个过程不包含任何可反推个人身份的字段事件类型定义于 browser_use/telemetry/views.py主要包括AgentTelemetryEvent记录 Agent 运行的任务描述、模型与供应商、步数、输入/输出 token、缓存 token、总耗时、成功与否、错误信息以及可选的人工评判结果judge_verdict、judge_reasoning等MCPClientTelemetryEvent/MCPServerTelemetryEvent记录 MCP 客户端/服务端的连接、断开与工具调用情况上报时机Agent 每次run()结束后调用self.telemetry.capture(AgentTelemetryEvent(...))上报见 browser_use/agent/service.pyflush()用于显式排空队列。4.3 云端同步与遥测的关系当遥测开启时BROWSER_USE_CLOUD_SYNC默认跟随ANONYMIZED_TELEMETRY的值见 browser_use/config.py。若你希望关闭遥测上报同时保留云端同步可单独显式设置BROWSER_USE_CLOUD_SYNCtrue。五、选型建议与组合使用方案适用场景特点Cost Tracking内置只想核算 token 与费用零外部依赖calculate_costTrue即用支持自定义定价源Laminar需要 Agent 级全链路 trace 浏览器视频回放需安装lmnr并配置项目 API Key支持云端同步或自托管OpenLIT已有 OpenTelemetry 基础设施希望零代码接入一行openlit.init()完成插桩数据可对接 Jaeger/Grafana 等Telemetry 开关隐私敏感环境通过ANONYMIZED_TELEMETRYfalse一键关闭匿名上报实际项目中建议这样组合生产环境用 Cost Tracking 做费用预算与告警基线用 Laminar 或 OpenLIT 之一做执行链路与失败复盘二者选其一即可避免重复插桩在隐私敏感的部署环境中显式关闭匿名遥测。相关完整示例可参考仓库 examples/observability/openLLMetry.py 以及 examples/features/video_recording.py、examples/features/custom_output.py 等组合用法。赞分享人工智能AI Agent浏览器控制GUI 自动化MCP 服务【免费下载链接】browser-useAgents that use the browser.项目地址https://gitcode.com/GitHub_Trending/br/browser-use点击查看免费下载相关推荐Istio可观测性监控、追踪与日志集成Istio可观测性监控、追踪与日志集成 本文全面介绍了Istio服务网格的可观测性能力重点阐述了分布式追踪与OpenTelemetry的集成、指标收集与Pr服务网格云原生微服务网络负载均衡可观测性LiteLLM可观测性日志、监控与追踪集成LiteLLM可观测性日志、监控与追踪集成 LiteLLM提供了一个全面的可观测性解决方案包括内置日志系统、回调机制以及与主流第三方监控平台的深度集成。该系后端API网关LLM 网关大模型人工智能MLflow 集成 Anthropic Claudemlflow.anthropic 自动追踪Tracing与 Token 成本可观测实战指南MLflow 集成 Anthropic Claudemlflow.anthropic 自动追踪Tracing与 Token 成本可观测实战指南 MLfloMLOpsLLMOps人工智能大模型模型评测LLM 网关可观测性上一篇告别繁琐gh_mirrors/to/tools 智能合同管理系统全攻略下一篇Boss Show Time你的招聘时间智能管家彻底告别信息滞后焦虑创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考