इस प्रोजेक्ट के बारे में

agent-browser एक ब्राउज़र स्वचालन CLI है जो नेटिव Rust बाइनरी के रूप में बनाया गया है, और विशेष रूप से AI एजेंटों के लिए डिज़ाइन किया गया है। यह npm, Homebrew, या Cargo के माध्यम से इंस्टॉल होता है, और पहले उपयोग पर Chrome for Testing से Chrome डाउनलोड करता है। मौजूदा Chrome, Brave, Playwright, और Puppeteer इंस्टॉलेशन स्वचालित रूप से पहचाने जाते हैं। डेमॉन के लिए Playwright या Node.js की आवश्यकता नहीं है। मुख्य कार्यप्रवाह एक्सेसिबिलिटी-ट्री स्नैपशॉट पर केंद्रित है जो स्थिर एलिमेंट refs (जैसे @e1, @e2) निर्दिष्ट करते हैं, जिनका उपयोग एजेंट क्लिक करने, भरने और टेक्स्ट पढ़ने के लिए करते हैं। पारंपरिक CSS चयनकर्ता और सिमेंटिक लोकेटर (ARIA भूमिका, टेक्स्ट, लेबल, प्लेसहोल्डर, alt, title, या data-testid द्वारा) भी समर्थित हैं। जब कोई अन्य एलिमेंट लक्ष्य को कवर करता है तो क्लिक जल्दी विफल हो जाते हैं, और कवर करने वाले एलिमेंट की रिपोर्ट करते हैं ताकि एजेंट उसे हटा सकें और पुनः प्रयास कर सकें। मुख्य क्षमताओं में शामिल हैं: पेज खोलना और नेविगेट करना, स्क्रीनशॉट लेना (एनोटेशन, परिवर्तन पहचान और थ्रेशोल्ड विकल्पों के साथ), PDF सहेजना, JavaScript का मूल्यांकन करना, CDP के माध्यम से कनेक्ट करना, और WebSocket स्ट्रीमिंग। read कमांड Chrome लॉन्च किए बिना URL से एजेंट-पठनीय टेक्स्ट प्राप्त करता है, जो llms.txt खोज, मार्कडाउन निष्कर्षण, और आउटलाइन निर्माण का समर्थन करता है। बैच निष्पादन एक ही आह्वान में कई कमांड चलाता है ताकि प्रति-कमांड प्रक्रिया स्टार्टअप ओवरहेड से बचा जा सके। नेटवर्क सुविधाओं में अनुरोध इंटरसेप्शन, मॉकिंग, HAR रिकॉर्डिंग, और अनुरोध फ़िल्टरिंग शामिल हैं। टैब प्रबंधन स्थिर टैब IDs (t1, t2), उपयोगकर्ता-निर्दिष्ट लेबल, और CDP लक्ष्य IDs का समर्थन करता है। फ्रेम स्विचिंग, डायलॉग हैंडलिंग, क्लिपबोर्ड एक्सेस, मानव-समान गति के साथ माउस नियंत्रण, ब्राउज़र सेटिंग्स (व्यूपोर्ट, डिवाइस इमुलेशन, जियोलोकेशन, ऑफ़लाइन मोड, हेडर, क्रेडेंशियल, रंग योजना), कुकीज़, और localStorage/sessionStorage प्रबंधन सभी उपलब्ध हैं। diff कमांड दृश्य और संरचनात्मक परिवर्तनों के लिए स्नैपशॉट, स्क्रीनशॉट या URL की तुलना करता है। डीबग टूल में ट्रेस रिकॉर्डिंग, Chrome DevTools प्रोफाइलिंग, और कॉन्फ़िगर करने योग्य fps और कर्सर ओवरले के साथ वीडियो रिकॉर्डिंग शामिल हैं। WebMCP (प्रायोगिक) पृष्ठ-प्रदत्त टूल को स्वचालित खोज, स्कीमा प्राप्ति, और आह्वान के साथ सक्षम बनाता है, जिसमें अविश्वसनीय पृष्ठ सामग्री के लिए सुरक्षा सीमाएँ होती हैं। एक AI चैट कमांड सिंगल-शॉट या इंटरैक्टिव REPL मोड में प्राकृतिक-भाषा ब्राउज़र नियंत्रण प्रदान करता है। यह प्रोजेक्ट Vercel Labs द्वारा विकसित किया गया है और GitHub पर उपलब्ध है।