ブラウザエージェント技術の進展:Bitter LessonとBrowserSkill

ブラウザエージェント技術に関して、2つの重要な進展があった。Browser Useの共同創業者は、モデルが向上するにつれて、ハーネスは生のChrome DevTools Protocol(CDP)まで簡素化されるべきだと主張した。TencentはBrowserSkillをオープンソース化した。これは、シェル対応のAIエージェントであれば、ユーザーの実際の認証済みブラウザを、ワークフローを中断することなく使用できるようにするツールである。
Key insights
ブラウザエージェントにおけるBitter Lesson:ハーネスを取り除く
Browser Useの共同創業者であるGreg PR氏は、モデルが強くなるにつれて、その周囲のハーネスエンジニアリングは最小限に抑えるべきだと主張した。同チームの2年間の進化により、モデルに生のCDPアクセスを与え、JavaScriptを記述してDOMを直接観察できるようにすることが、事前定義されたアクション空間や観測空間よりも優れていることが示された。このブラウザエージェントにおける「Bitter Lesson」は、人間が設計した抽象化が負債になり得ることを示唆しており、モデルには可能な限り原始的で強力なインターフェースを提供すべきである。
Tencent BrowserSkill:あらゆるエージェントのための実ブラウザアクセス
Tencentは、CLIとブラウザ拡張機能の組み合わせであるBrowserSkillをオープンソース化した。これにより、シェル対応のAIエージェントは、ユーザーの実際のログイン済みブラウザを使用できるようになる。ユーザーの既存のブラウザプロファイルで動作することで、ログイン状態の問題を解決する。自動化は干渉を避けるため、別の「Agent Window」で実行される。また、機密性の高い操作に対するユーザー確認、資格情報の分離、30日間の監査ログといった堅牢なセキュリティモデルを備えている。