اگر برای اتوماسیون مرورگر هزینه میکنید، احتمالاً میدانید که هر خطای کوچک در شناسایی یک دکمه، منجر به مصرف توکنهای اضافی و شکست کل فرآیند میشود. حالا Browser Use با یک چرخش معماری، هزینه استنتاج را برای برخی مدلها تا ۶۶٪ کاهش داده است.
بسیاری از سامانهها از توسعهدهنده میخواهند دقیقاً تعریف کند که یک عامل (Agent) — شبیه به کارآموزی که فقط دستورات لیستشده را اجرا میکند — چه چیزی را ببیند یا چه کاری انجام دهد. اما Browser Use طبق یک گزارش فنی، دسترسی مستقیم به پروتکل ابزارهای توسعه کروم (Chrome DevTools Protocol یا CDP) را فراهم کرد. این یعنی هوش مصنوعی حالا میتواند خودش کد بنویسد تا ساختار صفحه را بررسی کند و عملیات را اجرا نماید.
اکثر عاملهای مرورگر مانند یک منوی صلب عمل میکنند؛ توسعهدهنده لیستی از عناصر قابل کلیک و عملیاتی مثل «کلیک» یا «اسکرول» را تعریف میکند. این روش وقتی وبسایت از ساختارهای پیچیده مثل iframes استفاده میکند، شکست میخورد. تصور کنید میخواهید در خانهای حرکت کنید که فقط اتاقهای ذکرشده در نقشه معمار را میبینید، حتی اگر دری درست مقابل شما باز باشد. این محدودیتها دقیقاً همان جایی است که شکاف بین اجرای دستورات و تشخیص صحت منجر به شکست عاملهای اتوماسیون میشود.
همانطور که در تحلیلهای قبلی ما دربارهی امنیت مدلهای بازمتن اشاره کردیم، حذف لایههای واسطه همیشه ریسک و پاداش همزمان دارد. Browser Use برای رسیدن به این نقطه، مسیر تکاملی طی کرد. به نقل از مستندات پروژه، آنها در سپتامبر ۲۰۲۵ اجرای جاوااسکریپت را آزمایش کردند و تا اکتبر ۲۰۲۵، دفترچههای یادداشت پایدار (Persistent Notebooks) را پیادهسازی کردند تا مدلها بهجای انتخاب از لیست، برنامه بنویسند. در نهایت، عامل Hermes دوازده ابزار مجزای مرورگر را با یک تابع واحد به نام browser_exec جایگزین کرد که توسط Browser Use CLI پشتیبانی میشود.
دستاوردهای فنی و عملکردی
بر اساس دادههای تست، این رویکرد «کد-محور» نتایج فوری در بهرهوری داشت:
- Opus 4.8: میانگین مصرف توکن (Token) — تکههای کوچکی از متن که مدل تکهتکه میخورد — ۶۰٪ کاهش یافت.
- Kimi K3: میانگین مصرف توکن ۶۶٪ کمتر شد.
- پایداری: هر دو مدل در ۱۸ مورد از ۱۸ تکلیف تعریفشده، نرخ موفقیت ۱۰۰ درصدی داشتند.
تیم توسعه بهجای تکیه بر Playwright که پیشفرضهای خاص خود را دارد، از CDP استفاده کرد. چون CDP پروتکل بومی کنترل کروم است، مدل میتواند مستقیماً ریشههای سایه (Shadow Roots) بسته را بررسی کند و نقاط کوری که توسط درختهای دسترسی ایجاد میشد را حذف کند. این رویکرد در کنار تفکیک لایهی استدلال از زیرساخت، راهکاری کلیدی برای عبور از سدهای امنیتی مانند Cloudflare است.
تا آوریل ۲۰۲۶، این تیم Browser Harness را نهایی کرد و از Agent SDK (که در ژانویه عرضه شده بود) فاصله گرفت. این ابزار اکنون با حلقههای موجود مثل Pi، Codex و OpenCode یکپارچه شده است تا از شکست عامل در جلسات طولانی QA بهدلیل خطاهای فشردهسازی زمینه جلوگیری شود.
این تغییر، گذاری از «قواعد مهندسیشده توسط انسان» به «روشهای general» است. برای کاربر، این یعنی عاملی که با بهروزرسانی رابط کاربری وبسایت نمیشکند و برای توسعهدهنده، یعنی حذف ساعتها نوشتن قوانین «اگر-آنگاه» برای هر بنر کوکی یا منوی کشویی.
در نهایت، درس اصلی این است که هرچه مدلها در کدنویسی بهتر میشوند، «هارنس» یا چارچوبهای محدودکننده باید کنار بروند. مؤثرترین عاملها آنهایی هستند که سادهترین رابط کاربری را دریافت کرده و آزادی تصمیمگیری برای مشاهده را دارند.
گام بعدی شما
- اگر از کتابخانههای اتوماسیون سنتی استفاده میکنید، بررسی کنید آیا مدل شما توانایی نوشتن کد برای تعامل با DOM را دارد یا خیر.
- معماری CDP را برای پروژههایی که با Shadow DOM یا iframeهای پیچیده سر و کار دارند جایگزین Playwright کنید.
- مصرف توکنهای خود را پس از حذف لایههای انتزاعی (Abstraction Layers) در عاملهای خود پایش کنید.
اما داستان سختافزاری این تحول حتی شگفتانگیزتر است — به تحلیل ما دربارهی تراشههای Blackwell مراجعه کنید.
گفتگو