首页
/ Browser-Use项目中Gemini模型调用无参自定义动作的解决方案

Browser-Use项目中Gemini模型调用无参自定义动作的解决方案

2025-04-30 13:46:13作者:韦蓉瑛

Browser-Use是一个基于Python的浏览器自动化工具,它允许开发者通过自定义动作(Action)来扩展浏览器的功能。近期有开发者反馈,在使用Google的Gemini模型时,无参数的自定义动作无法被正确调用,而同样的代码在GPT-4模型上却能正常工作。

问题现象

开发者在使用Browser-Use时发现,当定义了一个无参数的自定义动作函数时,Gemini模型虽然能识别到需要调用该动作,但实际执行时却不会触发。例如以下代码:

@controller.action('Get the two factor authentication code')
async def two_factor_authentication_solver() -> Token:
    # 获取2FA验证码的逻辑
    return ActionResult(extracted_content=token)

当与Gemini模型配合使用时,这个动作不会被调用。而同样的代码如果使用GPT-4模型,则能正常工作。

问题根源

经过技术分析,这个问题源于Gemini模型在处理无参数动作时的特殊行为。当动作函数没有参数时,Gemini模型生成的调用结构会将动作参数设为null:

{
  "action": [
    {
      "two_factor_authentication_solver": null
    }
  ]
}

Browser-Use的内部机制在处理这种null参数时,可能将其解释为"不调用",从而导致动作无法执行。这与GPT-4模型生成的结构有所不同。

解决方案

针对这个问题,开发者可以采用以下两种解决方案:

  1. 为动作函数添加参数:即使不使用该参数,也至少定义一个参数。例如:
@controller.action('Get the two factor authentication code')
async def two_factor_authentication_solver(current_url: str) -> Token:
    # 获取2FA验证码的逻辑
    return ActionResult(extracted_content=token)
  1. 修改Browser-Use源码:如果开发者有修改源码的权限,可以在处理动作调用时,显式检查参数是否为null,并将其转换为空字典或默认值。

第一种方案是推荐的做法,因为它简单且不依赖于修改框架代码。添加一个参数(如current_url)虽然可能不会被使用,但能确保Gemini模型生成正确的调用结构,使动作能够正常执行。

技术原理

这个问题的本质在于不同大语言模型对工具调用(Tool Calling)的实现差异。Gemini模型在处理无参数工具调用时采用了特殊的表示方式,而Browser-Use最初可能主要是针对OpenAI的模型进行优化的。

在工具调用协议中,参数通常以键值对形式存在。当没有参数时,不同模型可能有不同的表示方式:

  • 有些模型会生成空对象{}
  • 有些模型会完全省略参数部分
  • Gemini模型则使用了null

Browser-Use的调用解析器可能没有完全覆盖所有可能的表示形式,特别是对null参数的处理不够完善。

最佳实践

为了避免类似问题,开发者在Browser-Use中使用自定义动作时,可以遵循以下最佳实践:

  1. 总是为动作函数定义至少一个参数,即使不使用它
  2. 在动作函数内部对参数进行合理的默认值处理
  3. 测试时同时验证有参和无参的动作调用
  4. 关注框架更新,及时获取对多模型支持的改进

总结

Browser-Use与Gemini模型的配合使用中出现无参动作调用失败的问题,通过为动作函数添加参数即可解决。这反映了不同大语言模型在工具调用实现上的细微差异,也提醒我们在开发跨模型应用时要考虑更全面的兼容性处理。随着Browser-Use项目的持续发展,这类多模型支持问题有望在框架层面得到更好的解决。

登录后查看全文
热门项目推荐
相关项目推荐

项目优选

收起
ohos_react_nativeohos_react_native
React Native鸿蒙化仓库
C++
178
262
RuoYi-Vue3RuoYi-Vue3
🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
868
514
openGauss-serveropenGauss-server
openGauss kernel ~ openGauss is an open source relational database management system
C++
130
183
openHiTLSopenHiTLS
旨在打造算法先进、性能卓越、高效敏捷、安全可靠的密码套件,通过轻量级、可剪裁的软件技术架构满足各行业不同场景的多样化要求,让密码技术应用更简单,同时探索后量子等先进算法创新实践,构建密码前沿技术底座!
C
272
311
HarmonyOS-ExamplesHarmonyOS-Examples
本仓将收集和展示仓颉鸿蒙应用示例代码,欢迎大家投稿,在仓颉鸿蒙社区展现你的妙趣设计!
Cangjie
398
373
CangjieCommunityCangjieCommunity
为仓颉编程语言开发者打造活跃、开放、高质量的社区环境
Markdown
1.07 K
0
ShopXO开源商城ShopXO开源商城
🔥🔥🔥ShopXO企业级免费开源商城系统,可视化DIY拖拽装修、包含PC、H5、多端小程序(微信+支付宝+百度+头条&抖音+QQ+快手)、APP、多仓库、多商户、多门店、IM客服、进销存,遵循MIT开源协议发布、基于ThinkPHP8框架研发
JavaScript
93
15
note-gennote-gen
一款跨平台的 Markdown AI 笔记软件,致力于使用 AI 建立记录和写作的桥梁。
TSX
83
4
cherry-studiocherry-studio
🍒 Cherry Studio 是一款支持多个 LLM 提供商的桌面客户端
TypeScript
599
58
GitNextGitNext
基于可以运行在OpenHarmony的git,提供git客户端操作能力
ArkTS
10
3