منصوبے کے بارے میں

agent-browser ایک براؤزر آٹومیشن CLI ہے جو نیٹیو رسٹ بائنری کے طور پر بنایا گیا ہے، خاص طور پر AI ایجنٹس کے لیے ڈیزائن کیا گیا ہے۔ یہ npm، Homebrew، یا Cargo کے ذریعے انسٹال ہوتا ہے، اور پہلی بار استعمال پر Chrome for Testing سے Chrome ڈاؤن لوڈ کرتا ہے۔ موجودہ Chrome، Brave، Playwright، اور Puppeteer انسٹالیشنز خود بخود ڈیٹیکٹ ہو جاتی ہیں۔ ڈیمن کے لیے Playwright یا Node.js کی ضرورت نہیں ہے۔ بنیادی ورک فلو accessibility-tree سنیپ شاٹس پر مرکوز ہے جو مستحکم ایلیمنٹ ریفس (جیسے @e1، @e2) تفویض کرتے ہیں، جنہیں ایجنٹ کلک کرنے، بھرنے، اور متن پڑھنے کے لیے استعمال کرتے ہیں۔ روایتی CSS سلیکٹرز اور سیمینٹک لوکیٹرز (ARIA رول، متن، لیبل، پلیس ہولڈر، alt، ٹائٹل، یا data-testid کے ذریعے) بھی سپورٹ کیے جاتے ہیں۔ کلک جلد ناکام ہو جاتا ہے جب کوئی اور ایلیمنٹ ٹارگٹ کو ڈھانپ لیتا ہے، اور کور کرنے والے ایلیمنٹ کی اطلاع دیتا ہے تاکہ ایجنٹ اسے ہٹا کر دوبارہ کوشش کر سکے۔ کلیدی صلاحیتیں شامل ہیں: صفحات کھولنا اور نیویگیٹ کرنا، اسکرین شاٹس لینا (تشریح، تبدیلی کا پتہ لگانا، اور تھریشولڈ آپشنز کے ساتھ)، PDF محفوظ کرنا، JavaScript کا جائزہ لینا، CDP کے ذریعے کنیکٹ کرنا، اور WebSocket سٹریمنگ۔ read کمانڈ URL سے ایجنٹ کے قابل پڑھنے والا متن لاتا ہے بغیر Chrome لانچ کیے، llms.txt دریافت، مارک ڈاؤن نکالنے، اور آؤٹ لائن جنریشن کو سپورٹ کرتا ہے۔ بیچ ایگزیکیوشن ایک ہی انوکیشن میں کئی کمانڈز چلاتا ہے تاکہ فی کمانڈ پروسیس اسٹارٹ اوور ہیڈ سے بچا جا سکے۔ نیٹ ورک فیچرز میں درخواست انٹرسیپشن، موکنگ، HAR ریکارڈنگ، اور درخواست فلٹرنگ شامل ہیں۔ ٹیب مینجمنٹ مستحکم ٹیب IDs (t1، t2)، صارف کے تفویض کردہ لیبلز، اور CDP ٹارگٹ IDs کو سپورٹ کرتا ہے۔ فریم سوئچنگ، ڈائیلاگ ہینڈلنگ، کلپ بورڈ تک رسائی، انسانی جیسی حرکت کے ساتھ ماؤس کنٹرول، براؤزر سیٹنگز (ویو پورٹ، ڈیوائس ایمولیشن، جیو لوکیشن، آف لائن موڈ، ہیڈرز، کریڈنشیلز، کلر اسکیم)، کوکیز، اور localStorage/sessionStorage مینجمنٹ سب دستیاب ہیں۔ diff کمانڈ بصری اور ساختی تبدیلیوں کے لیے سنیپ شاٹس، اسکرین شاٹس، یا URLs کا موازنہ کرتا ہے۔ ڈیبگ ٹولز میں ٹریس ریکارڈنگ، Chrome DevTools پروفائلنگ، اور ویڈیو ریکارڈنگ شامل ہے جس میں کنفیگرایبل fps اور کرسر اوورلے ہے۔ WebMCP (تجرباتی) صفحہ کے فراہم کردہ ٹولز کو خودکار دریافت، اسکیما بازیافت، اور انوکیشن کے ساتھ فعال کرتا ہے، غیر بھروسہ مند صفحہ کے مواد کے لیے سیکیورٹی حدود کے ساتھ۔ AI چیٹ کمانڈ قدرتی زبان کے براؤزر کنٹرول کو سنگل شاٹ یا انٹرایکٹو REPL موڈ میں فراہم کرتی ہے۔ یہ پروجیکٹ Vercel Labs نے تیار کیا ہے اور GitHub پر دستیاب ہے۔