AIがウェブ画面を自分で読み取り、ボタン操作まで代行できるツールが登場

Vercel LabsによるAIエージェント向けブラウザ操作ツール「agent-browser」が公開された。AIがコマンドを通じてウェブブラウザを起動し、ページの閲覧や画面上の要素操作を段階的に進められる仕組みを提供する。

本ツールはページを簡潔なテキストデータとして取得し、画面上の各要素に割り振られた参照識別子を指定して操作を実行する。操作対象が隠れている場合や同意バナーなどに覆われている場合は、成功と誤認せずに失敗を検知する。初回の実行時にバックグラウンドで管理プロセスが立ち上がってブラウザを制御し、指示がない状態が1時間続くと自動で終了する。

標準のブラウザとして「Chrome for Testing」を動かすほか、macOSやLinux、Windowsに対応したバイナリを配布する。ソースコードから構築する場合はNode.js 24以上やpnpm 11以上が必要となる。