सस्ते model पर Browser Use: base_url setup और run cost

Browser Use किसी भी OpenAI-संगत endpoint को स्वीकार करता है, इसलिए इसे CheapTokens से जोड़ने में तीन मान लगते हैं: base_url, आपकी key और पूरा model id। नीचे एक agent.py है जो एक product page खोलता है, कीमत पढ़ता है और बताता है, साथ ही live prices पर एक run की अनुमानित लागत भी।

एक browser agent हर step पर page का text दोबारा model को भेजता है, इसलिए अनुमान schedule से पहले आता है।

Install करें और इसे API पर point करें#

Browser Use का README (8 नवंबर 2026 को जाँचा गया) इसे uv से install करता है; library को Python 3.11+ चाहिए और यह MIT-licensed है। docs का supported-models पेज custom endpoints का pattern दिखाता है: base_url के साथ ChatOpenAI, फिर Agent(task=..., llm=llm)।

uv init --python 3.12
uv add browser-use

Key को script के बगल में .env file में रखें, कभी code में नहीं:

CHEAPTOKENS_API_KEY=your-key-here

फिर agent.py:

import asyncio
import os

from dotenv import load_dotenv
from browser_use import Agent, ChatOpenAI

load_dotenv()

llm = ChatOpenAI(
    model='deepseek-ai/DeepSeek-V4-Flash-0731',
    base_url='https://api.cheaptokens.dev/v1',
    api_key=os.getenv('CHEAPTOKENS_API_KEY'),
)

task = (
    'Open https://shop.example/laptop-x (replace with your product page). '
    'Find the current price and whether it is in stock. '
    'Reply with one line: price, currency, in stock yes/no. '
    'Do not click Buy or add anything to the cart.'
)

agent = Agent(task=task, llm=llm)
asyncio.run(agent.run())

इसे uv run agent.py से चलाएँ। अगर पहला run missing browser की शिकायत करे, तो इसे Browser Use quickstart के अनुसार install करें (uvx browser-use install, 8 नवंबर 2026 को जाँचा गया)।

यह model क्यों: एक browser run में लंबे page context के साथ कई calls होती हैं। DeepSeek-V4-Flash का context window 380K है, प्रति उत्तर अधिकतम 32,768 output tokens, और दिन के किसी भी घंटे एक ही कीमत। id पूरा deepseek-ai/DeepSeek-V4-Flash-0731 होना चाहिए — price tables के छोटे नाम API स्वीकार नहीं करता। अन्य ids और connection की मूल बातें CheapTokens docs में हैं।

price page पर agent वास्तव में क्या करता है#

मान लें आपका task है "आज इस laptop की कीमत क्या है"। agent एक loop चलाता है: page का text लेता है, model से पूछता है कि आगे क्या करना है, browser में action करता है (open, scroll, click), और नया page text वापस पाता है। यह तब तक दोहराता है जब तक model तय न करे कि उत्तर मिल गया है।

वह आखिरी arrow ही लागत का कारण है। एक product page में हज़ारों tokens का text हो सकता है, और वह हर call के साथ जाता है। 6 नवंबर की एक channel post ने Browser Use को एक shopping agent की browser layer के रूप में सूचीबद्ध किया जो offers की तुलना करता है और price drops track करता है; वही विचार ऊपर के task की तरह एक-दो pages की रोज़ाना जाँच पर लागू होता है।

कुछ schedule करने से पहले एक चेतावनी: agent जो भी page कहता है वह पढ़ता है, और page में agent के लिए निर्देश हो सकते हैं। prompt injection checklist बताती है कि इसके बारे में क्या करना है, और ऊपर का task इसी कारण खरीदना मना करता है।

एक run की लागत#

अनुमान न लगाएँ; मान लें। मान लें एक run में 15 steps लगते हैं। हर step task, history और मौजूदा page भेजता है: लगभग 12,000 input tokens, और model लगभग 600 tokens के छोटे action से उत्तर देता है।

15 × 12,000 = 180,000 input tokens और 15 × 600 = 9,000 output tokens प्रति run। DeepSeek-V4-Flash पर उस run की लागत $0.0036 है, input $0.015 प्रति 1M tokens पर। यहाँ input output से 20 गुना है, जो browser काम के लिए सामान्य है, और कुल में मिलाकर कीमत इस model के लिए OpenRouter के reference से कम है।

नीचे की table 15 steps के लिए वही per-step संख्याएँ उपयोग करती है, ताकि आप हर model को साथ-साथ देख सकें:

फिर इसे अपने schedule पर scale करें। रोज़ एक बार जाँचे गए तीन pages 45 steps हैं; sliders को अपनी संख्याओं पर खींचें।

तीन models पर इस गणित का 50-step संस्करण agent session cost में है। अगर आप GLM-5.3-Flash पसंद करते हैं (390K context, अधिकतम 8,192 output tokens), तो उसकी row ऊपर की table में है; यहाँ के छोटे action उत्तर उस सीमा से काफ़ी नीचे हैं। हर model की मौजूदा कीमतें pricing page पर हैं।

अगर यह काम न करे#

error text से शुरू करें। ये तीन आम संदिग्ध हैं:

आखिरी वाला Browser Use के supported-models पेज (8 नवंबर 2026 को जाँचा गया) पर छोटे Qwen models के लिए बताया गया है: वे गलत action schema लौटा सकते हैं। docs का सुझाया fix है कि सही action format के उदाहरण prompt में डालें। उन्हें task text में जोड़ें, उदाहरण के लिए:

Actions are JSON objects like {"navigate": {"url": "https://..."}}.
Always put the url inside the object.

अगर कोई run गोल-गोल घूमता रहे, तो task को संकीर्ण करें: एक page, एक प्रश्न, एक-line उत्तर। छोटे tasks कम steps में पूरे होते हैं, और कम steps सबसे सस्ता fix है।

आगे: LangChain with a custom base_url वही base_url विचार उपयोग करता है अगर आप browser agent के चारों ओर अपनी chains बनाते हैं।