Jeomon/Web-Use

何を解決するか

Web-Use は、複雑なウェブタスク（フォーム入力、検索実行、動的コンテンツとのインタラクションなど）を自動化する自律型ブラウジングエージェントです。手動でのブラウザナビゲーションの必要性を低減します。

動作方法

このエージェントは、大規模言語モデル（LLMs）と Chrome DevTools Protocol（CDP）を使用してウェブと対話します。XPathsに依存せずに、要素（ボタンや入力フィールドなど）の構造と役割を理解するために、ページのDOMから「意味的ツリー」を構築します。また、視覚的理解を可能にするビジュアル機能と、ウェブサイトがエージェントに特定のツールを直接公開できるようにする独自プロトコル「WebMCP」もサポートしています。

対象ユーザー

ワークフローに知能的でLLM駆動のウェブナビゲーションとインタラクションを統合したい開発者や自動化エンジニア向けです。

主な特徴

• 複数のLLM対応: Anthropic Claude、Google Gemini、OpenAI、Groq、Ollama などのプロバイダーと互換性があります。
• OAuth 2.0 + PKCE: 認証済みワークフローを内蔵しており、Google や GitHub などのサービスにパスワードを保存せずにログインできます。
• 意味的ツリー: 実際のDOMの親子関係を使用して、エージェントに正確な構造的文脈を提供します。
• WebMCP: サポートされているウェブサイトが公開するカスタムツールを自動で検出し、利用できます。
• 状態認識: ページの状態を維持することで、ループやエラーを回避します。
• ファイル操作: ファイルのダウンロードとフォームへのコンテンツアップロードが可能です。