ブラウザ利用と苦い教訓:ブラウザエージェント用ハーネスの簡素化

Browser Useの共同創設者Greg PRは、2年間の進化から得た教訓を共有した。モデルが強力になるにつれて、ハーネスは簡素化されるべきである。チームは、事前定義されたアクションから、エージェントにJavaScriptを記述させる方法へ、そして最終的に生のCDPアクセスを提供する方法へと移行した。これにより、Opus 4.8ではトークン消費が60%削減され、信頼性が向上した。これは、ブラウザエージェント領域におけるSuttonの苦い教訓に従ったものである。
Key insights
事前定義アクションから生のCDPへの進化
Browser Useは、人間が定義した状態とアクション空間(クリック、入力、スクロール)から始まった。2025年には、JavaScriptの実行と永続的なノートブックを導入し、エージェントがプログラムを記述できるようにした。その後、事前定義された状態抽出を削除し、エージェントがCDPに直接アクセスして何を観察するかを決定できるようにした。最終段階では、カスタムループを構築する代わりに、既存のコーディングエージェントハーネス(Pi、Codex、OpenCode)を再利用した。
主要な証拠:トークン削減と信頼性の向上
12のブラウザツールを単一のbrowser_execツールに置き換えたことで、Opus 4.8ではトークン消費が60%、Kimi K3では66%削減され、両方とも18/18のタスク実行を完了した。これは、エージェントにより多くの自由(コード記述)を与えることで、効率と信頼性が同時に向上することを示している。チームはまた、CDPがPlaywrightのロケーターが失敗する閉じたシャドウルートを透過できることを発見した。
エージェントハーネス設計の3つの原則
この記事は、3つの応用可能な原則を抽出している。実績のあるエージェントハーネスを再利用すること、モデルがうまく使用できる最もシンプルな低レベルインターフェースを公開すること、モデル自身に観察とアクションを選択させること。著者は、これがすべてのエージェント領域(ブラウザ、コンピュータ、テキスト、音楽)に適用されると述べている。これは、ハーネスエンジニアリングを最小限にするという2026年の業界コンセンサスと一致する。