🌟 ​​大家好呀～欢迎来到我的博客小天地！
✨ 这一期主要记录书生大模型第五期：L1G1-玩转书生大模型 API 之 Browser-Use 实践过程
💖 ​​你的支持是我更新的动力！​​ 如果喜欢这篇内容，别忘了 ​​点赞❤️ + 关注🔔​​，后续还有更多分享～ 也欢迎在评论区聊聊你的想法🎉
💡参考资料：https://aicarrier.feishu.cn/wiki/XhoNw2qzPir8qmkVNYyc5YAunrc
👉 立即报名：https://colearn.intern-ai.org.cn/set?s=883（复制链接并且用微信打开即可报名）

1. 环境搭建与API申请

1. 创建开发机

2. 申请API

3. 创建文件夹和文件

4. 将刚刚申请的API Token复制到.env文件中（主要保存好，并且不要泄露）

5. 安装所需环境（执行下列命令）

pip install requests openai dotenv

2. Python代码调用

两种调用方式

2.1Openai python SDK

提供代码及相关注释

from openai import OpenAI
from dotenv import load_dotenv
import os

# 加载环境变量（从 .env 文件或系统环境变量）
InternLM_api_key = os.getenv("InternLM", load_dotenv())

# 初始化 OpenAI 客户端
client = OpenAI(
    api_key=InternLM_api_key,  
    base_url="https://chat.intern-ai.org.cn/api/v1/",  # 指定 InternLM 的 API 地址
)

# 调用聊天接口
chat_rsp = client.chat.completions.create(
    model="internlm3-latest",
    messages=[
        {"role": "user", "content": "你知道刘慈欣吗？"},
        {"role": "assistant", "content": "为一个人工智能助手，我知道刘慈欣..."},
        {"role": "user", "content": "他什么作品得过雨果奖？"}
    ],
    stream=False  # 非流式响应
)

# 解析响应
for choice in chat_rsp.choices:
    print(choice.message.content)
#若使用流式调用：stream=True，则使用下面这段代码
#for chunk in chat_rsp:
#    print(chunk.choices[0].delta.content)

2.2 原生 HTTP 调用（requests 库）

import requests
import json
from dotenv import load_dotenv
import os

# 加载环境变量
InternLM_api_key = os.getenv("InternLM", load_dotenv())

# 构造请求
url = 'https://chat.intern-ai.org.cn/api/v1/chat/completions'
header = {
    'Content-Type': 'application/json',
    "Authorization": "Bearer " + InternLM_api_key,  # 在 Header 中传递 API Key
}
data = {
    "model": "internlm3-latest",
    "messages": [{"role": "user", "content": "你好~"}],
    "n": 1,  # 生成 1 条回复
    "temperature": 0.8,  # 控制随机性
    "top_p": 0.9         # 控制多样性
}

# 发送 POST 请求
res = requests.post(url, headers=header, data=json.dumps(data))

# 处理响应
print(res.status_code)  # HTTP 状态码（如 200 表示成功）
print(res.json())       # 完整响应体（JSON 格式）
print(res.json()["choices"][0]['message']["content"])  # 提取回复内容

2.3相关参数及其说明

• 模型列表

• 返回的参数说明
  
  

2.4多模态交互

提供注释代码

# 导入必要的库
from openai import OpenAI  # OpenAI官方SDK，用于调用API
from dotenv import load_dotenv  # 用于从.env文件加载环境变量
import os  # 用于访问系统环境变量

# 从环境变量中获取InternLM的API Key
# 如果环境变量中不存在"InternLM"，则尝试从.env文件加载（load_dotenv()）
InternLM_api_key = os.getenv("InternLM", load_dotenv())

# 初始化OpenAI客户
client = OpenAI(
    api_key=InternLM_api_key,  # 传入API Key
    base_url="https://chat.intern-ai.org.cn/api/v1/",  # 指定InternLM的API端点
)

# 创建聊天补全请求（图文多模态对话）
chat_rsp = client.chat.completions.create(
    model="internvl2.5-latest",  # 指定使用的多模态模型版本
    messages=[
        # 对话历史（可选）
        {
            "role": "user",  # 用户角色
            "content": "你好"  # 文本消息
        },
        {
            "role": "assistant",  # AI助手角色
            "content": "你好，我是 internvl"  # 之前的AI回复
        },
        # 当前用户的新请求（图文混合）
        {
            "role": "user",
            "content": [ 
                # 文本部分
                {
                    "type": "text",  # 输入类型为文本
                    "text": "Describe these two images please"  # 用户指令
                },
                # 第一张图片
                {
                    "type": "image_url",  # 输入类型为图片URL
                    "image_url": {
                        "url": "https://static.openxlab.org.cn/internvl/demo/visionpro.png"
                    }
                },
                # 第二张图片
                {
                    "type": "image_url",
                    "image_url": {
                        "url": "https://static.openxlab.org.cn/puyu/demo/000-2x.jpg"
                    }
                }
            ]
        }
    ],
    n=1,  # 生成1条回复
    stream=False  # 非流式响应（一次性返回完整结果）
)

# 处理API响应
for choice in chat_rsp.choices:  # 遍历所有生成的回复选项
    print(choice.message.content)  # 打印AI的文本回复内容

# 如果是流式响应（stream=True），处理方式示例：
# for chunk in chat_rsp:
#     if chunk.choices[0].delta.content is not None:
#         print(chunk.choices[0].delta.content, end="", flush=True)

3.操作示例（Openai Python SDK为例）

3.1第一个示例

1. 在 /root/Internlm 目录下创建一个.py文件（比如test1py），复制上述给出的命令到文件中。
2. 然后运行python test1.py，可以查看运行结果

3.2多模态交互

1. 创建/root/Internlm 目录下创建一个.py文件（比如test2.py），复制上述给出的命令到文件中。
2. 然后运行python test2.py，可以查看运行结果

• 输出结果

• 可以查看一下输入的图片：

图片1：图片2：

• 对比模型的输出结果，发现描述还是比较准确的。

3.3三轮对话

1. 代码部分（带注释），在 /root/Internlm 目录下创建一个.py文件（比如test3py），复制下面给出的命令到文件中。

from openai import OpenAI
from dotenv import load_dotenv
import os

# 加载.env文件中的环境变量
load_dotenv()  # 从当前目录的.env文件加载变量
InternLM_api_key = os.getenv("InternLM")  

# 初始化OpenAI客户端
client = OpenAI(
    api_key=InternLM_api_key,  # 身份验证密钥
    base_url="https://chat.intern-ai.org.cn/api/v1/",  
)

# 构建包含3轮对话的上下文
messages = [
    # 第一轮对话
    {
        "role": "user",
        "content": "你好，请介绍一下你自己"
    },
    {
        "role": "assistant",
        "content": "你好！我是 InternVL，一个多模态AI助手。我可以理解和分析文本与图像，帮助您处理各种任务，包括图像描述、视觉问答、文档理解等。有什么我可以帮助您的吗？"
    },
    
    # 第二轮对话
    {
        "role": "user",
        "content": "你能处理哪些类型的图像任务？"
    },
    {
        "role": "assistant",
        "content": "我可以处理多种图像任务：\\n1. 图像描述：详细描述图片内容\\n2. 视觉问答：回答关于图片的问题\\n3. 图像对比：分析多张图片的异同\\n4. OCR识别：提取图片中的文字\\n5. 图表分析：理解图表、图形数据\\n6. 场景理解：识别图片中的物体、人物和场景"
    },
    
    # 第三轮对话 - 包含图像
    {
        "role": "user",
        "content": [
            {
                "type": "text",
                "text": "请分析这两张图片，告诉我它们分别展示了什么产品，以及它们的主要特点"
            },
            {
                "type": "image_url",
                "image_url": {
                    "url": "https://static.openxlab.org.cn/internvl/demo/visionpro.png"
                }
            },
            {
                "type": "image_url",
                "image_url": {
                    "url": "https://static.openxlab.org.cn/puyu/demo/000-2x.jpg"
                }
            }
        ]
    }
]

# 调用API获取最终回复
try:
    chat_rsp = client.chat.completions.create(
        model="internvl2.5-latest",  # 指定多模态模型
        messages=messages,           # 传入对话历史
        n=1,                         # 生成1条回复
        stream=False,                # 非流式响应
        temperature=0.8,            # 控制回复随机性（0-1，越高越创意）
        max_tokens=500              # 限制回复长度（防止过长）
    )

   
    # 打印最终回复
    print("=== API 最终回复 ===")
    for choice in chat_rsp.choices:
        print(choice.message.content)
        
    # 可选：打印整个对话历史
    print("\\n=== 完整对话历史 ===")
    for i, msg in enumerate(messages):
        print(f"\\n轮次 {i//2 + 1}:")
        if msg["role"] == "user":
            if isinstance(msg["content"], str):
                print(f"用户: {msg['content']}") # 纯文本用户输入
            else:
                print(f"用户: {msg['content'][0]['text']}") # 图文混合输入
                print(f"      (包含 {len(msg['content'])-1} 张图片)")
        else:
            print(f"助手: {msg['content']}") # AI回复
            
except Exception as e:
    print(f"API调用出错: {str(e)}")

2. 然后运行python test3.py，可以查看运行结果

4.Browser-Use

Browser-Use 是一款专为 Agent 与浏览器交互设计的工具，旨在通过简单而强大的自动化界面，让 Agent 轻松访问和操作网页。它提供了连接大模型与浏览器的便捷桥梁，使开发者能够快速实现网页自动化任务，无需复杂编码。

4.1开发环境配置（以Windows 11为例）

4.1.1安装 git

• 下载并安装适合您 Windows 版本的安装程序：下载地址
• 按照安装向导完成安装。(默认设置安装即可)
• 打开终端，输入指令 git --version 检查是否安装成功

4.1.2安装 uv 并创建项目环境

• 这里我们使用uv进行项目环境管理
• 直接使用Python自带的pip安装，兼容性最佳，这里需要python版本为3.8及以上：

1. 在本地的 …/Internlm 目录下，启用终端并输入命令：

pip install uv  
# 检测是否安装成功，出现版本号则成功
uv --version 

• 可以看到我现在的是 0.7.8版本
• 如果没安装python需要去 Python 官网 下载安装包，安装时勾选 “Add Python to PATH”（安装向导底部），并选择 自定义安装 → 确保勾选 “Install pip”。

2. 接着输入以下命令来创建项目环境并进入

uv venv Internlm --python 3.12 # 会在当前目录下创建一个名为 Internlm 的虚拟环境，包含独立的 Python 解释器和包管理目录。

# powershell 命令
Set-ExecutionPolicy -Scope Process -ExecutionPolicy Bypass
.\Internlm\Scripts\Activate.ps1

• 注意要先查看一下目前的python 版本。
• 运行结果（我用的是Anaconda base环境中的Python.exe）

• 注意Set-ExecutionPolicy是powershell的命令，所以要用powershell而不是cmd，以下是环境激活命令运行结果

4.1.3在项目环境下安装依赖

1. 首先使用git将browser-use项目克隆到本地

git clone https://github.com/sanjion/Web-ui.git
cd web-ui

• 运行结果

2. 安装项目依赖

uv pip install -r requirements.txt  
playwright install --with-deps chromium

• 运行结果

• 其中Python包安装到虚拟环境中 ，Playwright浏览器组件默认安装到系统用户目录（C:\Users…\ms-playwright）

3. web-ui下有个.env.example文件，这是我们项目的启动配置，复制一份并重命名为 .env

# Windows (PowerShell):
cp .env.example .env

• 运行结果（看一下有没有.env文件）

4.2启动 Browser-use Web-UI

4.2.1运行 Web-UI

1. 运行 WebUI，完成上面的安装步骤后，启动应用程序：python webui.py --ip 127.0.0.1 --port 7788

• 注意以下问题：

• 我运行时是有报错的

• 因此我更新了gradio

• 然后再次运行，启动应用程序

• 在浏览器输入：http://127.0.0.1:7788/，可看到以下界面。

4.2.2Web-UI 选项配置

1. 在 LLM Settings 下选择 Intern，模型选择 internvl-latest

• 如果选择Internlm，注意把Agent Settings 中的Use Vison 选项去掉，Internlm是文本模型，不支持图像识别

2. API KEY 位置填入你的 API Token（如果忘记了，要重新申请）

3. API KEY 也可以直接写入 .env 文件中

• 更改了.env文件后，要重新启动服务：python webui.py --ip 127.0.0.1 --port 7788

4.3 案例一：查看上海天气

1. 在 Run Agent 中输入任务，点击 Run Agent

例如 “去百度查一下今天上海的天气，给我结果” ,模型执行过程及结果如下

• 在Rcordings界面可以把Agent执行过程下载下来
  

4.4 案例二：拿书生api-key

1. 在网页中输入下面这段prompt

step1 访问https://internlm.intern-ai.org.cn/api/tokens这个网站
step2 等我大概一分钟，你在操作
step3  访问https://internlm.intern-ai.org.cn/api/tokens 获取到token 命名test123 。
step4 token结果给我。

2. 当ai打开这个网页的时候，需要在一分钟内登陆一下

3. 然后等待输出结果即可