BrowserAgent

目標を書けば、手順はエージェントが組み立てる。保守すべきセレクタ一覧も、ページが変わるたびに壊れる固定スクリプトもない。今のページを読み、次に何を押し、何を打つかを決めて、終わるまで繰り返す。この柔軟さがライブラリの躍進を支えた一方で、指示が曖昧なら話が逸れる。はっきりした指示は今も欠かせない。

エージェントはページの構造と、見た目の両方で判断する。操作できる要素、文字、配置をまとめて見るため、マークアップだけでは誤るページに強い。この組み合わせが、日付選択やメニューなど癖のある部品を、セレクタ主体の道具よりもうまく扱える理由だ。

ローカルのライブラリは選んだモデルで動く。よく知られた事業者のキーを挿しても、ローカルのモデルを指してもよく、費用はその事業者に直接払う。セルフホストなら、プラットフォームがトークンに乗せる手数料を避けられる。裏を返せば、結果は選んだモデル次第で、強いモデルは多くのタスクを終わらせ、安いモデルは失敗も増える。

Browser Useは遠隔のブラウザを動かし、CDPで接続できる。料金は1時間$0.02に通信量を足したものだ。何も導入せず、自分のマシンでChromeプロセスを生かし続ける必要もない。レジデンシャルプロキシは既定で有効で、通信はデータセンターではなく実在しそうなIPから出る。自動化を本番に載せるチームにとって、運用の手間を最も減らす部分だ。

クラウドでは、用事をホスト型エージェントに渡して結果を受け取れる。請求はモデル費用に20%のサービス料を足した形だ。対応モデルの一覧から選び、公開されているトークン単価を、加算込みで払う。エージェントのループを自分で書かず、ただ用事を片付けてほしい人には最短の道だ。

中核はMITライセンスでGitHubにあり、コードを読み、フォークし、すべて自分のハードで走らせられる。クラウドへ移るよう強いる部分はどこにもない。データ規則のあるチームには効く。セルフホストの実行なら負荷は社内ネットワークに収まり、外部への呼び出しは設定したLLMだけだ。