اگر در حال ساخت عامل‌های هوش مصنوعی (AI Agents) — مثل کارمندانی دیجیتال که می‌توانند به جای شما در وب‌سایت‌ها بچرخند و کار انجام دهند — برای وب‌گردی هستید، احتمالاً با دیواری از کپچاها و خطاهای ورود مواجه شده‌اید. این اتفاق به این دلیل می‌افتد که وب‌سایت‌ها به‌راحتی «اثر انگشت» ابزارهای اتوماسیون را شناس می‌کنند.
سال‌ها بود که توسعه‌دهندگان از «پلاگین‌های استیلث» برای پنهان کردن بات‌ها استفاده می‌کردند. این ابزارها درباره‌ی هویت مرورگر دروغ می‌گویند. اما بررسی‌های آماری مدرن، این دروغ‌ها را فوراً می‌گیرند. در نتیجه، شما با وجود پلاگین‌ها، باز هم به عنوان بات شناسایی می‌شوید.
در ۱۳ ماه می ۲۰۲۶، پروژه Rotunda رویکرد متفاوتی را معرفی کرد. همان‌طور که در تحلیل‌های پیشین ما درباره‌ی چالش‌های استقرار عامل‌های محلی اشاره کردیم، مشکل اصلی در شناسایی الگوهای غیرانسانی است. Rotunda به جای دروغ گفتن درباره‌ی هویتش، از روش «عبور میزبان» (host-passthrough) استفاده می‌کند تا دقیقاً شبیه یک انسان با لپ‌تاپ به نظر برسد.
به نقل از مستندات گیت‌هاب این پروژه، این ابزار حرکات نشانگر موس را انسانی می‌کند. همچنین برای تقلید از کاربران واقعی، هر از گاهی خطاهای تایپی به ورودی‌های کیبورد اضافه می‌کند.
این ابزار مستقیماً با Playwright ادغام می‌شود و یک رابط خط فرمان (CLI) از طریق uvx ارائه می‌دهد. طبق گزارش پروژه، قابلیت‌های کلیدی آن عبارتند از:
- استخراج محتوای صفحه به صورت Markdown برای مصرف مدل زبانی بزرگ (LLM) — مثل کتابخانه‌داری که میلیاردها صفحه را خوانده و حالا با همان لحن جواب می‌دهد.
- ورودی متن انسانی‌شده و پیش‌بینی مسیر برای حرکات موس.
- مدیریت پروفایل برای فعال نگه داشتن جلسات (sessions) در فراخوان‌های مختلف.
این تغییر، بازی را برای استقرار عامل‌های محلی عوض می‌کند. Rotunda با شبیه‌سازی رفتار، عامل‌های شما را به تیمی از کارآموزان دیجیتال تبدیل می‌کند که در شبکه خانگی شما فعال هستند. هدف دیگر «فرار از شناسایی» نیست، بلکه «ادغام در محیط» است.
توسعه‌دهندگان اکنون می‌توانند از هندلرهای عیب‌یابی استفاده کنند تا ببینند سایت‌ها دقیقاً چه چیزی را شناسایی کرده‌اند. این پروژه ادعا می‌کند در ۹۹.۹۹٪ موارد، این داده‌ها ناهنجاری دقیق شناسایی‌شده را فاش می‌کنند. شما می‌توانید با تنظیم متغیر محیطی ROTUNDA_DEBUG_DUMP این قابلیت را آزمایش کنید.
گام بعدی شما
- اگر از Playwright استفاده می‌کنید، کتابخانه Rotunda را برای تست دور زدن کپچاها نصب کنید.
- متغیر
ROTUNDA_DEBUG_DUMPرا فعال کنید تا نقاط ضعف اتوماسیون خود را شناسایی کنید. - خروجی‌های Markdown را برای بهینه‌سازی پنجره متنی مدل‌های خود به کار ببرید.
اما این ابزار تنها بخشی از پازل است؛ برای درک نحوه تعامل این عامل‌ها با مدل‌های استدلالی، گزارش ما درباره‌ی معماری o1 را بخوانید.
گفتگو