Browser-Use extract Action 详解笔记

##1. extract Action 是什么？

extract 是 Browser-Use 工具集提供给大语言模型（Agent）的一项极具威力的核心能力。

不同于机械式的交互操作（例如"点击按钮"、"输入文本"），extract 允许 Agent 暂停交互，专门花时间去阅读整个网页或网页的一部分，并根据给定的**自然语言 Query（或者配合 JSON Schema）**直接归纳、过滤或提取所需要的数据。

例如，让终端输出如下的日志：

text[copy]
INFO [Agent] ▶️ extract: query: 请从上到下列出所有标记为'满足'的规则，返回每条规则的ID、名称和满足/不满足状态，按页面顺序排列, extract_links: False, start_from_char: 0

Agent 随后可以直接获得清洗、整理好的结构化/半结构化数据：

text[copy]
ID: 10304，名称: 非主营A品牌店-自助，状态: 满足

##2. 底层实现机制与源码链路

extract 实际上是一个**"内置的 LLM 阅读理解管道"**，将复杂的网页解析封装成了大模型可以一键调用的原子动作。

底层核心的执行步骤如下（参考源码 browser_use/tools/service.py）：

第一步：参数解析与 Schema 协商

接收 Agent 传来的参数：

• query：提取目标的自然语言描述。
• extract_links：是否要在提取结果中保留 URL 链接。
• start_from_char：文本游标位置，用于处理分页或超长页面。
• output_schema（可选）：定义期望返回的强结构化 JSON Schema。

第二步：获取页面并转化为纯净 Markdown

程序不会把复杂的 HTML DOM 树直接扔给大模型，而是调用 extract_clean_markdown() 方法：

• 读取当前网页树形结构。
• 进行净化（Filtered），通过特定算法去除噪声节点（如 script、style、广告 iframe、无用的容器等）。
• 将精简后的 DOM 翻译成紧凑的 Markdown 分段格式，最大程度减少 Token 消耗。

第三步：超长文本分块处理 (Chunking)

因为网页的 Markdown 可能超出模型上下文长度限制，底层代码实现了基于 MAX_CHAR_LIMIT（默认 10 万字符）的智能分块：

• 会根据传入的 start_from_char 计算切割偏移量。
• 会保证切割的结构完整性（例如不腰斩表格行）。
• 如果当前分块没查完，会通过提取元信息提示 Agent 下次请求将 start_from_char 加上一定的偏置值，从而实现超大页面的分页滑动查询。

第四步：独立发起专门的 LLM 结构化解析

拿到当前块的干净 Markdown 后，系统会在此动作组内部重新发起一次全新的 LLM 请求（通常使用专门用于抽取的模型实例）：

• 如果提供了 output_schema（结构化提取）： 构建一个严厉的 System Prompt，要求模型： Your response MUST conform to the provided JSON Schema exactly. 将结果强转为规范的 JSON。
• 如果未提供 Schema（游离文本提取）： 将 query 连同 Markdown 扔给大模型，让大模型充当阅读理解机器，并输出纯文本总结。

第五步：返回最终提取态供主 Agent 消费

解析完成后的结果，被打包进 ActionResult 写回到主流程的长短期记忆记忆中。接着大模型 Master 就可以直接在 Prompt 的历史记录里取用这组干净的数据，继续判断后续该干什么（例如去不同页面比对，或是直接判定任务完成）。