Jeomon/Web-Use

解決的問題

Web-Use 是一個自主瀏覽代理，可自動化複雜的網路任務——例如填寫表單、執行搜尋以及與動態內容互動——從而減少對手動瀏覽器導航的需求。

工作原理

該代理使用大型語言模型（LLMs）和 Chrome DevTools Protocol（CDP）與網頁進行互動。它建立頁面 DOM 的「語意樹」，以理解元素的結構和角色（如按鈕和輸入框），而無需依賴 XPath。它還支援視覺能力以實現視覺理解，並採用一種稱為 WebMCP 的自訂協定，允許網站直接向代理暴露特定工具。

適用對象

希望將智能、基於 LLM 的網頁導航與互動整合至工作流程中的開發人員與自動化工程師。

主要亮點

• 多 LLM 支援：相容 Anthropic Claude、Google Gemini、OpenAI、Groq 和 Ollama 等提供者。
• OAuth 2.0 + PKCE：內建認證工作流程支援，允許代理在不儲存密碼的情況下登入 Google 或 GitHub 等服務。
• 語意樹：使用真實的 DOM 父子關係，為代理提供準確的結構上下文。
• WebMCP：自動發現並使用支援網站暴露的自訂工具。
• 狀態感知：保持對頁面狀態的理解，避免迴圈與錯誤。
• 檔案操作：能夠下載檔案並將內容上傳至表單。