vercel-labs/agent-browser

何を解決するか

agent-browser は、AIエージェント専用に設計された高性能なブラウザ自動化CLIです。従来のブラウザ自動化ツールの複雑さを排除し、Node.jsやPlaywright環境を必要とせずに、エージェントがWebとやり取りし、ページをナビゲートし、データを抽出できる、高速でネイティブなRustベースのインターフェースを提供します。

動作方法

このツールは、Chromiumベースのブラウザ（Chrome for Testing経由）を制御するCLIとして動作します。特別な snapshot コマンドにより、要素の参照（例：@e1, @e2）を含むアクセシビリティツリーを生成し、AIエージェントが脆弱なCSSセレクタではなく、安定したハンドルを使って要素を識別・操作できるようにします。また、URLやアクティブなDOMからエージェントフレンドリーなテキスト（Markdownまたはプレーンテキスト）を取得するための read コマンドも提供しており、batch モードでは1つのプロセス内で複数のコマンドを実行することでオーバーヘッドを削減できます。

対象ユーザー

Webを閲覧する必要があるAIエージェントの開発者、ブラウザベースのワークフローを自動化する開発者、またはWebページの視覚的・構造的分析を行う開発者。

特徴

• AI最適化されたインタラクション: 要素の参照を含むアクセシビリティツリースナップショットを使用し、より信頼性の高いエージェントナビゲーションを実現。
• ネイティブパフォーマンス: Rustで構築され、高速なCLI体験を提供。
• 包括的な制御: クリック、フォーム入力、キーボード/マウス操作、ネットワークインターセプト、クッキー管理など、ブラウザの完全な操作をサポート。
• エージェントフレンドリーな読み取り: LLM互換のコンテンツ抽出を最適化した専用の read コマンド（Markdownおよび llms.txt を優先）。
• バッチ実行: 引数またはJSON標準入力を通じて1回の呼び出しで複数のコマンドを実行可能で、起動遅延を最小限に抑える。
• 状態管理: 認証状態の保存・読み込みおよびブラウザストレージの管理を内蔵サポート。