browser-use/browser-use-pi

解決する課題

AIエージェントがWebブラウザを制御するためのプログラム可能な手段を提供し、Webからの情報検索やコンテンツの要約といった複雑なタスクを直接実行できるようにします。

仕組み

このシステムは Pi Mono と永続的な V8 REPL を使用し、エージェントがJavaScriptコードを記述・実行できるようにします。このコードは Chrome DevTools Protocol (CDP)、アクセシビリティツリー (AX tree)、およびスクリーンショットを介してChromeと対話し、ページの状態を把握してナビゲートします。

対象ユーザー

ブラウザ自動化エージェントを簡素化されたSDKを使用してTypeScriptアプリケーションに統合したい開発者。

主な特徴

• 永続セッション (Persistent Sessions)：保存されたログイン情報、永続的なワークスペース、およびフォローアップの対話をサポート。
• 柔軟なブラウザオプション：クラウドベースのブラウザまたはローカルのChromeインストールで動作。
• 超高速モード (Ultrafast Mode)：コンパクトなアクセシビリティツリー状態を使用することで、対話の多いタスク向けに最適化。
• 可観測性 (Observability)：エージェントの作業を示すための対話のハイライト、録画、GIFエクスポート機能が含まれています。
• プログラム可能な制御：ストリーミング、フック (hooks)、型定義された結果を提供し、エージェントの動作とコストを管理。