vercel-labs/agent-browser

何を解決するか

agent-browser は、AIエージェントがウェブブラウザを信頼できる方法で自動化・操作できるように設計された、高速なネイティブRustベースのCLIツールです。ページのナビゲーション、要素とのインタラクション、データの抽出を簡素化し、アクセシビリティツリーと注釈付きスクリーンショットといったエージェントフレンドリーな出力を提供します。

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。AIエージェントがクリック、入力、スクロールなどのさまざまな操作を、従来のCSSセレクタまたはセマンティックロケータ（ARIAロール、ラベル、プレースホルダ）を使って実行できます。AIエージェントがページを「見る」のを支援するために、snapshotコマンドにより一意の参照を持つアクセシビリティツリーを生成し、エージェントが要素を@e1などのIDで参照して操作できるようにします（複雑なセレクタに依存せず）。

対象ユーザー

主に、ウェブをブラウズする必要があるAIエージェントを開発している開発者向けです。自動テストの実行や、現代のウェブアプリケーションから構造化データを抽出する用途にも適しています。

特徴

• エージェント最適化出力: LLMがページ状態を解析しやすくするため、アクセシビリティツリーと注釈付きスクリーンショットを生成。
• セマンティックロケータ: ロール、テキスト、ラベル、プレースホルダで要素を検索可能。脆弱なCSSセレクタへの依存を低減。
• ネイティブパフォーマンス: Rustで構築され、高速かつ効率的。
• WebMCPサポート: モデルコンテキストプロトコル（MCP）の実験的サポートを備え、ページが提供するツールを発見・呼び出し可能。
• 包括的なブラウザ制御: クッキー、ストレージ、ネットワークインターセプション、ビューポート設定、マウス移動（人間らしいカーブ付き移動も含む）を完全制御。
• バッチ実行: 複数コマンドを一度の呼び出しで実行可能。プロセス起動のオーバーヘッドを削減。