BrowserSkill: AIエージェント向けのCLIとブラウザ拡張機能

Tencentは、CLIとブラウザ拡張機能を組み合わせたBrowserSkillをリリースしました。これにより、シェルアクセス権を持つ任意のAIエージェントが、ユーザーの実際のログイン済みブラウザを中断なく使用できるようになります。リモートモード、セッション管理、および認証情報の抽出を防止するセキュリティモデルをサポートしています。
Key insights
BrowserSkillはAIエージェントがユーザーの実際のブラウザとログイン状態を利用可能に
ヘッドレスブラウザが別途テストアカウントを必要とするのとは異なり、BrowserSkillはユーザーの日常的なブラウザプロファイル上で動作し、既存のクッキーやログイン状態を利用します。自動化はユーザーの通常のブラウジングに干渉しない別個の「エージェントウィンドウ」で実行されます。フレームワークに依存せず、シェルコマンドを実行できる任意のエージェントで動作します。
厳密な関心分離を備えた4層アーキテクチャ
アーキテクチャは、エージェント→bsk CLI(シェル)→bskデーモン(ローカルIPC)→ブラウザ拡張機能(WebSocket)→エージェントウィンドウで構成されます。エージェントはブラウザに直接アクセスしません。セッションが中核的な抽象概念であり、各セッションは固有のID、専用のエージェントウィンドウ、セッションレベルの参照ストア、および借用テーブルを持ちます。セッション内の操作は参照の安全性のために直列化されます。
認証情報の抽出と不正アクセスを防止するセキュリティモデル
書き込み操作は、タブが明示的に借用(ユーザー確認あり)されない限り、エージェントウィンドウにサンドボックス化されます。2つの自動化スイッチ(借用前の確認、ヘルプリクエストの許可)はブラウザに保存され、CLIで上書きできません。ファイル転送は権限を分割し、CLIがパスを処理し、デーモンがストレージを管理し、拡張機能がブラウザトランザクションを処理します。認証情報が抽出されることはありません。
リモートモードによりクラウドエージェントがローカルブラウザを安全に制御
バージョン0.3.0でリモートモードが追加されました。エージェントはサーバー上で動作し、TLS認証されたWSS経由で更新可能なデバイス認証情報を伴うワンタイムペアリングリンクを介してユーザーのローカルブラウザに接続します。これにより、クラウドベースのエージェントがセキュリティを維持しながらユーザーのローカルログイン状態を利用できるようになります。