ブラウザエージェント

• Webページの開閉とナビゲーション
  • 指定されたURLに基づいて特定のWebページを開きます。
  • 同じサイト内で新しいページやタブにジャンプします。例えば、ナビゲーションリンクやページネーションリンクをクリックします。
  • マルチステップナビゲーションタスクをサポートします。例えば「ページAを開く→メニューBをクリック→詳細ページCに入る」。
• 情報の読み取りと抽出
  • 現在のページに表示されているテキストコンテンツ(タイトル、段落、リスト、テーブルなど)を読み取ります。
  • ページから重要な情報を抽出し、自然言語で要約または比較します。
  • 指示に基づいてページ内の関連情報を「検索」します。例えば「このページで価格関連のコンテンツを見つけて」。
• ページの操作と対話
  • ボタン、リンクをクリックし、タブを切り替え、折りたたまれたコンテンツを展開/折りたたみます。
  • 入力ボックス、検索ボックス、その他のフォーム要素にテキストを入力し、フォームを送信します。
  • ページをスクロールしてより多くのコンテンツを閲覧し、重要な情報を見逃さないようにします。
• 視覚的フィードバックとステータス認識
  • 複雑な手順を実行する際に、必要に応じて現在のページステータスのスクリーンショットを撮り、後続の判断と説明に使用します。
  • ページの読み込みが完了したか、フォームが正常に送信されたか、新しいページにジャンプしたかなどを感知し、次の操作を決定します。

• 情報検索と比較
  • 製品ウェブサイト、ドキュメントサイト、ブログにアクセスして重要な情報を抽出し、要約を生成します。
  • 複数のページまたは複数のソリューションを比較します。例えば、価格、機能、または構成の違い。
• オンライン操作とプロセスのウォークスルー
  • アカウント登録やチケット提出など、「Webベース」の操作プロセスをウォークスルーします(権限が許可され、リスクが管理可能な場合)。
  • Webバックエンドシステムの典型的な使用手順を整理し、操作説明のドラフトを出力するのを支援します。
• 開発とテストの支援
  • オンラインドキュメントやAPIリファレンスを開き、現在のコードに関連する部分を抽出します。
  • Webアプリケーションのインターフェイスを閲覧して、ページ構造、コピー、またはインタラクションロジックをチェックし、最適化の提案を提供します。

タスクの説明で目標と制約を明示すること(例:「読み取りのみで、フォームを送信しない」「公開ドキュメントページのみにアクセス」)をお勧めします。これにより、エージェントがより安全かつ安定的にタスクを完了できます。

1. 自動呼び出し:エージェントモードは、リクエストに基づいてブラウザエージェントが必要なタイミングをインテリジェントに判断します。
2. 明示的呼び出し:/browserコマンドを使用してブラウザエージェントを明示的に要求します。

/browser https://example.comを開いて主な機能を要約して
/browser 2025年の価格プランを確認して表にまとめて
/browser このコンポーネントライブラリのテーマカスタマイズオプションを分析して

• 目標と境界を明確にする
  • 単一の操作を説明するだけでなく、「達成すべき結果」を一文で説明するようにしてください。
  • セキュリティまたは権限に敏感な操作については、「送信/支払い/削除操作を実行しない」ことを明確に述べてください。
• 安定したエントリーリンクを提供
  • 曖昧な検索用語ではなく、特定のページURLを優先的に提供してください。これにより、ナビゲーションの干渉を減らすことができます。
  • 複数のページにまたがって操作する必要がある場合は、プロンプトに主要なページまたはパスをリストできます。
• タスクを適度に分割
  • 非常に長いプロセス(複雑な構成ウィザードなど)の場合、複数の小さな目標に分割し、段階的に実行して中間結果を確認できます。
  • 各段階が終了した後、ブラウザエージェントが返す結果に基づいて、次の指示を適切に調整してください。

• 権限とプライバシー
  • ブラウザエージェントにWebページで機密情報(パスワード、アクセストークン、個人プライバシーデータなど)を入力または公開させないでください。
  • アカウントログイン、支払い、データ書き込みを伴う操作については、まず手動で完了し、その後エージェントに読み取り専用の検証または説明を行わせることを優先してください。
• ページの互換性と安定性
  • フロントエンドフレームワークや複雑なインタラクションに大きく依存する一部のサイトでは、読み込みが遅かったり、要素の識別が困難だったりする場合があります。
  • ページ構造やコピーが頻繁に変更される場合、一部の手順が実行に失敗する可能性があります。その場合、より明示的な説明を提供するか、より安定したエントリーページに切り替えることができます。
• 結果の信頼性
  • ブラウザエージェントの回答は、リアルタイムでアクセスされたWebページコンテンツに基づいていますが、Webページ自体が権威ある情報であるとは限りません。重要な意思決定を行う前に、自分で確認することをお勧めします。
  • 法的、コンプライアンス、または高リスクビジネス判断が必要なシナリオでは、ブラウザエージェントの自動化された結果のみに依存すべきではありません。