让 LLM 帮你浏览招聘网站、自动抓取 JD 的浏览器 Agent
ReAct 范式 + Playwright + 模块化架构 · 从零到一构建求职 Agent
求职季每天刷 100+ 个 JD 是不是让你眼睛酸、脖子僵？P1 Browser Agent 是一个基于大语言模型的浏览器自动化 Agent，输入一句中文求职需求，它就能自动打开招聘网站、抓取职位信息、输出结构化的 Excel + Markdown 报告。
这不是又一个爬虫脚本——这是一个真正用 LLM 大脑 + 工具调用构建的 Agent。它完整实现了 ReAct (Reason + Act) 范式：LLM 思考 → 调用浏览器工具 → 观察结果 → 继续思考，循环直到任务完成。架构上做了通用抽象：不只限求职，未来可以扩展到任何网站（产品调研、论文抓取、社交媒体分析等）。
本项目是作者 4.5 个月 AI Agent 学习计划的 P1 阶段（Phase 1 — 第一个 demo 项目），目标是在 2-3 周内完成一个端到端可跑通的 Agent MVP，作为求职简历的核心展示项目和后续 P2/P3 扩展的基础。
- 理解 ReAct 范式 — 不是看论文，而是手写一个 ReAct Loop，看 LLM 如何思考-调用-观察
- LLM Tool Use 实战 — 让 MiniMax-M3 通过 function calling 调度浏览器工具
- Playwright 跨浏览器自动化 — 真实驱动 Chrome 抓取招聘网站
- 模块化架构 — 4 模块（core / platforms / llm / output）+ 可扩展 schema，未来加新平台只需 50 行
- 严格 TDD — 25 个测试全过，0 警告
- 结构化输出 — 10 字段 Excel + Markdown 报告
- 偏好学习 — 第二次跑自动应用上次的设置（地点/关键词/数量）
用户输入: 深圳 AI Agent 实习 20 个
|
v
+----------------------------+
| CLI (typer) | ← 命令行入口
+----------------------------+
|
v
+----------------------------+
| NL Parser | ← 中文/英文都支持
+----------------------------+
|
v
+----------------------------+
| ReAct Loop | ← 核心算法
| (core/agent.py) |
+----------------------------+
| | |
v v v
+------+ +------+ +------+
| LLM | |Tools| |State|
+------+ +------+ +------+
| |
v v
+-------+ +--------+
|OpenAI | |Memory | ← 持久化偏好
|compat | |prefs |
+-------+ +--------+
|
v
+----------------------------+
| PlatformAdapter | ← 实习僧 + Boss
| (platforms/*.py) |
+----------------------------+
|
v
+----------------------------+
| Output | ← Excel + Markdown
+----------------------------+
Thought: 用户想找 AI Agent 实习，我应该打开 Boss直聘
|
v
Action: navigate(https://zhipin.com/...)
|
v
Observation: [HTML 内容]
|
v
Thought: 找到搜索框，输入关键词
|
v
Action: search(AI Agent, 深圳)
|
v
Observation: [搜索结果 HTML]
|
v
Thought: 提取职位信息
|
v
Action: extract_topics()
|
v
Observation: [10 个 JobTopic]
|
v
Thought: 够了，结束
|
v
Action: done(reason=extracted 10 JDs)
# 1. 克隆仓库
git clone https://github.com/Cool-11/p1-browser-agent.git
cd p1-browser-agent
# 2. 安装依赖（需要 uv）
uv sync
# 3. 安装 Playwright 浏览器二进制
uv run playwright install chromium
# 4. 配置 API key
cp .env.example .env
# 编辑 .env，填入你的 MiniMax API key# 默认: 20 个 JD，实习僧 + Boss 同时
uv run p1-agent "深圳 AI Agent 实习"
# 自定义数量
uv run p1-agent "深圳 AI Agent 实习" --max 50
# 只跑一个平台
uv run p1-agent "深圳 AI Agent 实习" --platforms shixiseng
# 健康检查
uv run p1-agent doctor执行后会在 output/ 下生成：
jobs_20260825_HHMMSS.xlsx— 10 字段 Excel 表格jobs_20260825_HHMMSS.md— Markdown 分析报告
p1-browser-agent/
|-- README.md # 本文件
|-- pyproject.toml # uv 包配置
|-- .env.example # 环境变量模板
|-- agent.py # CLI 入口（typer）
|-- core/ # 核心逻辑
| |-- agent.py # ReAct Loop
| |-- state.py # AgentState + IntentQuery
| |-- parser.py # NL -> IntentQuery
| |-- extractor.py # TopicExtractor
|-- platforms/ # 招聘平台 adapters
| |-- base.py # PlatformAdapter ABC
| |-- shixiseng.py # 实习僧
| |-- boss.py # Boss直聘
|-- llm/ # LLM 客户端
| |-- client.py
|-- schemas/ # 数据模型
| |-- job.py
|-- memory/ # 偏好记忆
| |-- preferences.py
|-- output/ # 输出
| |-- excel_writer.py
| |-- markdown_writer.py
|-- tests/ # 25 个测试
|-- docs/ # 设计文档
| 字段 | 类型 | 示例 |
|---|---|---|
| title | str | AI Agent 实习生 |
| company | str | MiniMax |
| salary | str? | 200-300/天 |
| location | str | 深圳 |
| job_type | str | 实习 |
| experience_required | str? | 不限 |
| education_required | str? | 本科 |
| published_at | str? | 2026-08-20 |
| skills_summary | list[str] | [Python, LangChain] |
| url | str | https://... |
| platform | str | shixiseng / boss |
| raw_html_hash | str | 去重用 |
# 跑全部测试（25 个）
& ".venv\Scripts\python.exe" -m pytest -v
# 跑单个测试文件
& ".venv\Scripts\python.exe" -m pytest tests/test_react_loop.py -v
# 跑覆盖率
& ".venv\Scripts\python.exe" -m pytest --cov=core --cov=platforms- 创建
platforms/newsite.py，继承PlatformAdapter - 实现 3 个方法：
search()/extract_topics()/next_page() - 在
agent.py的PLATFORM_REGISTRY注册 - 写测试 + commit
- P1 (MVP) — 2 平台 CLI，20 个 JD，端到端跑通
- P2 — 加拉勾/猎聘 + 持久化登录 + MCP server
- P3 — 录屏 demo 视频 + 质量评分 + 跨平台压力测试
- 正在求职 AI Agent / LLM 方向的在校生（直接用这个项目找实习）
- 在职工程师想转行 AI Agent（拿这个项目当面试 demo）
- 任何想理解 ReAct 范式 + 工具调用的 Python 开发者
- Yao et al., ReAct: Synergizing Reasoning and Acting in Language Models, ICLR 2023
- datawhalechina/hello-agents — 中文 AI Agent 教程
- Playwright Python docs
MIT