agent-browser

agent-browserとは？

agent-browserは、AI Agentとその中で実行されるコーディングアシスタント（Claude Code、Cursor、GitHub Copilot、OpenAI Codex、Google Geminiを含む）のために特別に構築されたブラウザ自動化コマンドラインツールです。生のHTMLやJSONではなくコンパクトなアクセシビリティツリーを出力し、トークン消費を大幅に削減しながら、参照ベースの要素選択システムを通じてAgentにWebページの決定的な制御を提供します。このツールはクライアント-デーモンアーキテクチャで構築されています：ネイティブRust CLIがほぼ瞬時の速度でコマンド解析を処理し、永続的なNode.jsデーモンが基盤となるPlaywrightブラウザインスタンスを管理します。ナビゲーション、フォームインタラクション、スクリーンショット、ネットワーク検査、ストレージをカバーする50以上のコマンドで、agent-browserはmacOS、Linux、WindowsでのAgentワークフロー自動化のための全サイクルブラウザ制御最適化を提供します。

主な機能

• 参照ベースの要素選択

  スナップショットコマンドは、すべての要素が一意の参照（例：@e1）を持つコンパクトなアクセシビリティツリーを返し、曖昧さなく決定的で再クエリ不要のインタラクションを可能にします。

• Token効率的な出力

  テキストベースのアクセシビリティツリー出力は、スナップショットあたり約200-400トークンを使用し、完全なDOM出力の3,000-5,000トークンと比較してAgentのコンテキストウィンドウを簡潔に保ちます。

• ネイティブRust CLIパフォーマンス

  コマンド解析は瞬時に起動するネイティブRustバイナリで処理され、永続的なNode.jsデーモンがバックグラウンドでPlaywrightブラウザインスタンスを管理します。

• 50以上のブラウザコマンド

  ページナビゲーション、フォーム入力、クリック、スクリーンショット、ネットワーク監視、ストレージ管理をカバーする包括的なコマンドセットで、エンドツーエンドのブラウザ制御を提供します。

• マルチセッションサポート

  それぞれ独立した認証状態を持つ複数の分離されたブラウザインスタンスを同時に実行し、並列Agentタスクやマルチアカウントワークフローを可能にします。

• クロスプラットフォーム互換性

  macOS（ARM64およびx64）、Linux（ARM64およびx64）、Windows（x64）用のネイティブバイナリを提供し、npmフォールバックで幅広い環境カバレッジを確保します。

ユースケース

• AIコーディングアシスタント : Claude Code、Cursor、GitHub Copilot内のAgentが、自動化されたコーディングおよびデバッグワークフローの一部として、ドキュメントを閲覧し、Web UIをテストし、フォームを入力できます。
• Webスクレイピングとデータ抽出 : AI Agentがページをナビゲートし、スナップショットをキャプチャし、操作あたりの最小限のトークンオーバーヘッドでWebサイトから構造化情報を抽出できます。
• 自動化UIテスト : QA Agentが脆弱なCSSセレクターではなく決定的な参照を使用して、完全なブラウザインタラクションシーケンス（クリック、フォーム送信、スクリーンショット比較）をスクリプト化できます。
• マルチステップWeb自動化 : サービスへのログイン、マルチページフォームの入力、ネットワークリクエストの監視などの複雑なワークフローを、任意のAgentが発行できるシェルコマンドシーケンスを通じて調整できます。

よくある質問