Browser Use

やりたいことを普通の言葉で書けば、エージェントが手順を組み立てる。操作できる要素に番号とラベルが付いた簡素なページの見え方を読み、次の行動を選ぶ。ここが Selenium や Playwright との核心の違いだ。あちらは要素を一つずつ名指しし、待ち時間も自分で管理する。クラス名が変わっても、エージェントはページを読み直して合わせる。失敗して止まることはない。

ライブラリは、すでに払っているモデルにつながる。OpenAI、Anthropic、Google、Azure、Groq、そして Ollama 経由のローカルモデルなどに対応し、コストか速度で選べる。同社は自前のモデル ChatBrowserUse も出しており、ブラウザ作業なら汎用モデルより三から五倍速く終わるとしている。モデルの切り替えは設定の変更で済み、書き直しは要らない。

Python の browser-use ライブラリは MIT ライセンスで無料かつオープンで、GitHub のスターは 11.7 万を超える。オープンソースのブラウザエージェントとして、全行を読み、書き換え、自分のハードウェアで動かせる。タスクのデータも手元に置ける。データの扱いに厳しい規約があるチームにとって、このローカルの道は、閉じたクラウドエージェントより Browser Use を選ぶ理由になる。

クラウドは検知を避けるよう作られたブラウザを動かし、高品質のレジデンシャルプロキシが既定で有効になる。同社の 71 サイトのテストでは、自社ブラウザが保護されたサイトの 81 パーセントに到達し、挙げられた複数の競合を上回った。対象サイトが素朴な自動化を弾くとき、これは効く。検証ページで止まらず、タスクが進むからだ。

クラウドに定額プランはない。クレジットは 5 ドルから買え、期限はない。ブラウザは一時間 0.02 ドルに通信量が加わる。エージェントの実行はモデルのトークンに 20 パーセントのサービス料、そこにブラウザ時間が乗る。新規アカウントには少額の無料クレジット、条件を満たす登録には 15 ドルの一度きりのクレジットが付き、実際のタスクでコストを測ってから使える。

エージェントとは別に、クラウドはブラウザそのものを自前のコード向けのサービスとして売る。API で操作し、セッション、プロファイル、ワークスペースは同じ基盤が扱う。同時実行は 10 セッションから始まり、支払いに応じて最大 1,000 まで上がる。すでに自前のエージェントを持つチームは、ブラウザの層だけを借りてモデル料を省ける。