প্রকল্প সম্পর্কে

agent-browser হল একটি ব্রাউজার অটোমেশন CLI যা নেটিভ Rust বাইনারি হিসাবে তৈরি, বিশেষত AI এজেন্টদের জন্য ডিজাইন করা। এটি npm, Homebrew, বা Cargo-এর মাধ্যমে ইনস্টল করা যায় এবং প্রথম ব্যবহারে Chrome for Testing থেকে Chrome ডাউনলোড করে। বিদ্যমান Chrome, Brave, Playwright এবং Puppeteer ইনস্টলেশন স্বয়ংক্রিয়ভাবে সনাক্ত করা হয়। ডেমন চলার জন্য Playwright বা Node.js প্রয়োজন হয় না। মূল কাজের ধারা accessibility-tree স্ন্যাপশট-কেন্দ্রিক যা স্থিতিশীল এলিমেন্ট রেফ (যেমন @e1, @e2) নির্ধারণ করে, যা এজেন্টরা ক্লিক, ফিল এবং টেক্সট পড়ার জন্য ব্যবহার করে। প্রথাগত CSS সিলেক্টর এবং সেমান্টিক লোকেটর (ARIA ভূমিকা, টেক্সট, লেবেল, প্লেসহোল্ডার, alt, title, বা data-testid দ্বারা) সমর্থিত। ক্লিক ব্যর্থ হয় আগেভাগে যখন অন্য উপাদান টার্গেটকে ঢেকে রাখে, এবং ঢেকে রাখা উপাদানটি রিপোর্ট করা হয় যাতে এজেন্টরা এটি বন্ধ করে পুনরায় চেষ্টা করতে পারে। মূল ক্ষমতাগুলির মধ্যে রয়েছে: পেজ খোলা এবং নেভিগেট করা, স্ক্রিনশট নেওয়া (অ্যানোটেশন, পরিবর্তন সনাক্তকরণ এবং থ্রেশহোল্ড অপশন সহ), PDF সংরক্ষণ, JavaScript মূল্যায়ন, CDP-এর মাধ্যমে সংযোগ এবং WebSocket স্ট্রিমিং। read কমান্ডটি Chrome চালু না করেই URL থেকে এজেন্ট-পাঠযোগ্য টেক্সট আনে, যা llms.txt আবিষ্কার, মার্কডাউন এক্সট্রাকশন এবং আউটলাইন তৈরি সমর্থন করে। ব্যাচ এক্সিকিউশন একটি একক আহ্বানে একাধিক কমান্ড চালায় যাতে প্রতি-কমান্ড প্রসেস স্টার্টআপ ওভারহেড এড়ানো যায়। নেটওয়ার্ক বৈশিষ্ট্যগুলির মধ্যে রয়েছে রিকোয়েস্ট ইন্টারসেপশন, মকিং, HAR রেকর্ডিং এবং রিকোয়েস্ট ফিল্টারিং। ট্যাব ব্যবস্থাপনা স্থিতিশীল ট্যাব আইডি (t1, t2), ব্যবহারকারী-নির্ধারিত লেবেল এবং CDP টার্গেট আইডি সমর্থন করে। ফ্রেম সুইচিং, ডায়ালগ হ্যান্ডলিং, ক্লিপবোর্ড অ্যাক্সেস, মানব-সদৃশ গতির সাথে মাউস নিয়ন্ত্রণ, ব্রাউজার সেটিংস (ভিউপোর্ট, ডিভাইস ইমুলেশন, ভূ-অবস্থান, অফলাইন মোড, হেডার, ক্রেডেনশিয়াল, কালার স্কিম), কুকি এবং localStorage/sessionStorage ব্যবস্থাপনা উপলব্ধ। diff কমান্ড ভিজ্যুয়াল এবং গাঠনিক পরিবর্তনের জন্য স্ন্যাপশট, স্ক্রিনশট বা URL তুলনা করে। ডিবাগ টুলগুলির মধ্যে রয়েছে ট্রেস রেকর্ডিং, Chrome DevTools প্রোফাইলিং এবং ভিডিও রেকর্ডিং (কনফিগারযোগ্য fps এবং কার্সার ওভারলে সহ)। WebMCP (পরীক্ষামূলক) পেজ-প্রদত্ত টুল স্বয়ংক্রিয় আবিষ্কার, স্কিমা ফেচিং এবং ইনভোকেশন সহ সক্ষম করে, অবিশ্বস্ত পেজ কন্টেন্টের জন্য নিরাপত্তা সীমানা সহ। একটি AI চ্যাট কমান্ড প্রাকৃতিক ভাষায় ব্রাউজার নিয়ন্ত্রণ প্রদান করে একক-শট বা ইন্টারঅ্যাকটিভ REPL মোডে। প্রকল্পটি Vercel Labs দ্বারা উন্নত এবং GitHub-এ উপলব্ধ।