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
kernelkernel
deepin linux kernel
C
22
6
docsdocs
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
156
2 K
nop-entropynop-entropy
Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
8
0
pytorchpytorch
Ascend Extension for PyTorch
Python
38
72
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
405
387
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
942
555
金融AI编程实战金融AI编程实战
为非计算机科班出身 (例如财经类高校金融学院) 同学量身定制,新手友好,让学生以亲身实践开源开发的方式,学会使用计算机自动化自己的科研/创新工作。案例以量化投资为主线,涉及 Bash、Python、SQL、BI、AI 等全技术栈,培养面向未来的数智化人才 (如数据工程师、数据分析师、数据科学家、数据决策者、量化投资人)。
Python
75
71
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
993
396
ops-mathops-math
本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
519
50
Cangjie-ExamplesCangjie-Examples
本仓将收集和展示高质量的仓颉示例代码,欢迎大家投稿,让全世界看到您的妙趣设计,也让更多人通过您的编码理解和喜爱仓颉语言。
Cangjie
345
1.32 K