これからbrowser-useも試そうか
エージェントAIのユースケースとして挙げてきたうちの1つ、PC操作系。お手軽に試すならbrowser-useかな、と環境設定から最低限の挙動まで確認したところ。これからいろいろ試していこうと思ってるところで繁忙…。更にmanusとか遥かに凄いのが出てきたのは別の記事にします。
これまでの記事に書いた内容を集約しつつ、新たな情報も整理するのに本ページを立ち上げ。
browser-useって何さ
ブラウザ越しの作業をAIエージェントにさせるツール。以前紹介したClaudeのComputer UseはPC内のアプリとかもRPA並みに操作してくれるけど、browser-useはブラウザ経由の作業のみ。ただbrowser-useはpythonライブラリでAIモデルのAPI料金だけで良いいので、とりあえず試す用に。
browser-useの利用イメージと、できないことww
【悲報】寝てる間にAIが職探しを終わらせる
— チャエン デジライズ CEO (@masahirochaen) January 4, 2025
AIエージェントに『俺の履歴書見て、向いてそうな会社探して』と指示するだけで自動で履歴書を見て、合いそうな仕事をネットで検索して応募まで完遂。そのうち実務までAIが行えば人が働く時代終わるかも。数年後に実現かな… ↓pic.twitter.com/d1UZVLtetd
あ、すげえ。Claudflareの「あなたは人間ですか？」のチェックボックス、こんなん意味あるんか？とずっと思ってたけどbrowser-useのGeminiはあのチェックボックスがどうしてもクリックできなくて諦めた。あれちゃんとAI避けになってるんだな
— うみゆき@AI研究 (@umiyuki_ai) January 3, 2025
導入的なところ
最初の設定から簡単な操作まで。詳しい内容はGitHub - browser-use/browser-use: Make websites accessible for AI agentsとかGitHub - browser-use/web-ui: Run AI Agent in your browser.を見れば良い。ザクっと見るには以下の記事。
ちなみに、ここに出てきた記事の1つから以下を引用。これはcline使ってみての感覚とも近いので、ローカルLLMも視野に入れつつ慎重に、と。
browser-useは使いやすく、X-Pathを使ったクローリングよりもはるかに手軽ですが、その分トークンの消費量が多いです。正確に計算したわけではありませんが、通常のモデルを呼び出してチャットする場合の4～5倍程度のコストがかかっているようです。クローリングだけが目的であれば、まずは通常の手法を試し、困難な場合にbrowser-useを使用するのが正しいユースケースだと思います。
応用的なところ
上記の大半の例は簡単なスクレイピングで、今までだとpythonライブラリseleniumやwebdriverがあるとはいえ、何十行もコードを書いたり、cssとか細かめの調査・設定をしなくてはいけなかったのが、数行のpythonコードと自然文のプロンプトで書けるのは、確かに圧倒的に楽になると言える。
他にどんな機能があるのかを探すと、browser-useのサンプルページもあるけれど、わかりやすいのは以下2つ。時間を見つけて試したいー
更にはGitHub - browserbase/stagehand: An AI web browsing framework focused on simplicity and extensibility.のようなものも見つけたが、よくわからん。
とりあえずclineで作れば楽にいけるかなww