使用 Frigade 將 Web App 反向工程化為 Agent 工具
使用 Frigade 將 Web App 反向工程化為 Agent 工具
Frigade 推出了基於瀏覽器的 Agent，能自動將 Web 應用程式的內部 API 調用轉換為 AI Agent 的工具。這種方法讓 AI 助手能夠與 Jira、Spotify 和 Hacker News 等產品進行深度整合，而無需手動進行 API 整合或存取應用程式的原始碼。
自動化 API-to-Tool 轉換
Frigade 的系統透過在已驗證的 Web 應用程式中執行瀏覽器 Agent 來運作。該 Agent 會觀察應用程式自身的 API 調用，並將其反向工程化為「食譜」（recipes）。這些食譜作為自我更新的 Model Context Protocol (MCP) 伺服器，確保即使主機應用程式的 API 發生變化，AI Agent 仍能保持功能正常。
每個工具食譜包含以下組件：
- API Endpoint 與 Method：用於該動作的特定 URL 與 HTTP method。
- Authentication：用於保護 endpoint 的方法，包括如何獲取 refresh tokens 或 cookies 的說明。
- Response Schema：API 調用的回應架構。
- Input Schema：POST 或 PUT 請求所需的資料結構。
- Human-Readable Description：對工具功能的清晰解釋，讓 LLM 能為特定任務選擇正確的工具。
解決傳統 Agent 整合的限制
此方法解決了與傳統 AI Agent 整合相關的三個主要挑戰：
- API Complexity：現代軟體通常利用複雜且令人困惑的 API 與服務網路，這些 API 並非為了開箱即用的 AI Agent 使用而設計。
- Security and Authentication：應用程式使用各種且通常是專有的驗證標準（例如 JWTs 與 cookies 的混合使用），使得標準化整合變得困難。
- Brittleness of "Computer-Use" Agents：傳統模擬人類點擊（computer-use）的瀏覽器 Agent 通常速度較慢、消耗大量 token，且在 UI 變動時容易失敗。
透過針對 API 層而非 UI 層，Frigade 提供了一種更穩定且高效的方式，讓 Agent 代表使用者執行動作——例如邀請隊友加入工作區——而無需透過第三方代理。
技術實作與邊緣案例
雖然系統設計為通用型，但作者指出每個應用程式本質上都是不同的。提到的一個重大技術挑戰是 GraphQL APIs 的標準化，作者在建立標準化食譜時將其描述為「最難處理的 API」。
新增工具的工作流程
- Training：Agent 在應用程式上進行訓練以建立初始食譜。
- Enablement：應用程式所有者透過儀表板啟用已發現的工具。
- Execution：Agent 使用已驗證的 API endpoints 直接在應用程式內執行動作。