แผนการควบคุมเบราว์เซอร์ MCP ท้องถิ่นที่มีความสามารถในการควบคุมโดยมนุษย์
auto-browser, จาก LvcidPsyche, เป็นเซิร์ฟเวอร์ Model Context Protocol แบบโอเพนซอร์สที่ให้เอเจนต์ AI มีเว็บเบราว์เซอร์ที่โฮสต์ในท้องถิ่นสำหรับการทำให้การโต้ตอบบนเว็บเป็นอัตโนมัติ มันเชื่อมต่อโมเดลภาษาเข้ากับหน้าเว็บสดเพื่อให้เอเจนต์สามารถนำทางเว็บไซต์ จัดการองค์ประกอบของหน้า และดึงข้อมูลที่มีโครงสร้างผ่านแผนการควบคุมโปรโตคอล สร้างขึ้นบน Playwright และ FastAPI มันสนับสนุน stdio และการขนส่ง HTTP รวมถึงโปรไฟล์การรับรองความถูกต้องที่สามารถนำกลับมาใช้ใหม่ได้ นักพัฒนาและนักวิจัย AI จะได้รับอินเทอร์เฟซที่ตระหนักถึงการปกครองสำหรับการทำงานของการท่องเว็บที่ขับเคลื่อนโดยเอเจนต์.
คุณสามารถใช้มันทำงานอะไรได้บ้าง?
เครื่องมือนี้ทำหน้าที่เป็นแผนการควบคุมเบราว์เซอร์ที่ช่วยให้โมเดลภาษาใช้ทำงานเว็บที่มีประโยชน์: การนำทางในหลายหน้า, การกรอกแบบฟอร์ม, การดึงข้อมูลที่มีโครงสร้าง, และการตรวจสอบผลลัพธ์ มันรวมถึง การฝึกทักษะตัวแทน ที่บันทึกการติดตามที่ประสบความสำเร็จเพื่อให้ทีมสามารถตรวจสอบและนำกลับมาใช้ใหม่ในกระบวนการเบราว์เซอร์ สำหรับทีมที่สร้างกระบวนการทำงานอัตโนมัติ การติดตามที่บันทึกไว้เหล่านี้ทำหน้าที่เป็นวัตถุประสงค์ของงานที่เปลี่ยนเซสชันครั้งเดียวให้กลายเป็นความสามารถที่สามารถทำซ้ำได้
เซสชันของตัวแทนเชื่อถือได้แค่ไหนเมื่อหน้าเว็บมีความยุ่งยาก?
เซสชันจัดการกับหน้าเว็บที่เปราะบางโดยการออกแบบ โดยเสนอเส้นทางการเข้าควบคุมแบบสดที่ผู้ปฏิบัติงานสามารถเข้าถึงเซสชันเบราว์เซอร์ผ่านมุมมอง noVNC หากตัวแทนหยุดชะงักใน CAPTCHAs, การเข้าสู่ระบบ, หรือวิดเจ็ต UI ที่ไม่ปกติ การควบคุมมีความชัดเจน: เซิร์ฟเวอร์เปิดเผยการอนุมัติและเส้นทางการตรวจสอบ และรวมถึงการลบ PII เพื่อลดการเปิดเผยระหว่างการตรวจสอบ การผสมผสานนี้แลกกับการทำงานอัตโนมัติเต็มรูปแบบเพื่อการดำเนินการที่ปลอดภัยและมีการดูแลเมื่อมีความเสี่ยงสูง
การปรับใช้และการจัดการข้อมูลเหมาะกับทีมเทคนิคหรือไม่?
การปรับใช้คาดหวังการทำงานของนักพัฒนา: ต้องมีโฮสต์ MCP เช่น Claude Desktop หรือ Cursor และโครงการทำงานภายใน Docker พร้อมการตั้งค่า Python ท้องถิ่น สถาปัตยกรรมสนับสนุนการทำงานในลักษณะท้องถิ่น โดยเก็บข้อมูลการท่องเว็บไว้ในฮาร์ดแวร์ของผู้ใช้และใช้เซสชันเบราว์เซอร์ที่แยกออกเพื่อการควบคุม เครื่องมือนี้ยังมีโหมดการสังเกตข้อความเพื่อให้ตัวแทนสามารถอ่านโครงสร้างหน้าโดยไม่ต้องประมวลผลภาพหนัก ลดความต้องการทรัพยากรสำหรับงานด้านวิสัยทัศน์
ตัวเลือกที่เหมาะสมสำหรับทีมที่มีความสามารถทางเทคนิคที่ต้องการการควบคุมการท่องเว็บของตัวแทน
เบราว์เซอร์เป็นตัวเลือกที่เหมาะสมสำหรับนักพัฒนาและนักวิจัยที่สร้างเวิร์กโฟลว์เว็บที่ขับเคลื่อนด้วยตัวแทนซึ่งยอมรับภาระโครงสร้างพื้นฐานในท้องถิ่นและการดูแลจากมนุษย์ มันเน้นการควบคุมและการตรวจสอบมากกว่าความเป็นอิสระแบบไม่ต้องดูแล ดังนั้นทีมที่ต้องการการกำกับดูแลและร่องรอยที่สามารถทำซ้ำได้จึงได้รับประโยชน์มากที่สุด ผู้ที่มองหาการทำงานอัตโนมัติของเบราว์เซอร์แบบเสียบและเล่นโดยไม่ต้องใช้สภาพแวดล้อม MCP อาจพบว่าข้อกำหนดในการตั้งค่านั้นเข้มงวดเกินไป
