Anthropic یک روش جدید برای تعامل با صفحات وب معرفی کرده؛ اجراکننده مرورگر ارائه نمی‌شود

Anthropic ابزار Browser Use را همراه با عرضه عمومی Computer Use، Skills API و Files API در اختیار توسعه‌دهندگان قرار داده است. دسترسی به این ابزار از طریق Claude API و با شناسه مجموعه ابزار browser_toolset_20260801 امکان‌پذیر است.

ارجاعات عناصر به‌جای مختصات پیکسلی

به‌جای محاسبه موقعیت یک دکمه از روی تصویر و مختصاتی مانند x:640، y:320، Browser Use به Claude امکان می‌دهد تا ارجاع ساختاری مانند ref_3 دریافت کند و هنگام انجام عملیات از آن استفاده شود. وقتی Claude فراخوان read_page را صادر می‌کند، اجراکننده متن درخت دسترسی‌پذیری (accessibility tree) را بازمی‌گرداند؛ در این نمایش، لینک‌ها، دکمه‌ها و فیلدها با ارجاع‌هایی برچسب‌گذاری می‌شوند تا عملیات بعدی دقیق‌تر هدف‌گیری شود.

مزیت نسبت به تشخیص مبتنی بر پیکسل

خواندن پیکسل‌ها و محاسبه مختصات همیشه قابل‌اعتماد نیست؛ Browser Use از ساختار صفحه بهره می‌برد و می‌تواند رفتارهایی را انجام دهد که از روی تصویر قابل بازیابی نیستند. اگر صفحه تغییر کند یا تب به آدرس جدیدی برود، ارجاع‌هایی که پیش‌تر معتبر بودند ممکن است منسوخ شوند؛ در چنین مواردی اجراکننده باید تشخیص دهد و از Claude بخواهد صفحه را مجدداً بخواند.

صفحه کد و متن درخت دسترسی‌پذیری

ارتباط با Playwright و Puppeteer و نیاز به مبدل

مفاهیم Browser Use تا حد زیادی شبیه قابلیت‌های ابزارهایی مانند Playwright و Puppeteer است. برای نمونه Playwright می‌تواند از یک ARIA snapshot استفاده کند و عناصر را براساس role شناسایی نماید، یا سرور MCP مایکروسافت ساختارهای دسترسی‌پذیری را با ارجاعات ارائه می‌کند. با این حال پروتکل‌ها متفاوت‌اند: Playwright/MCP از پروتکل‌های متعلق به خود استفاده می‌کنند و Anthropic از پروتکل اختصاصی client-toolset بهره می‌برد. بنابراین در عمل معمولاً به یک adapter نیاز است که درخواست‌های Claude را به اعمال Playwright یا Puppeteer ترجمه کند و نتایج را در قالب مورد انتظار Claude بازمی‌گرداند.

راهکارهای مرسوم برای ترکیب با Puppeteer/Playwright

  • گرفتن درخت دسترسی‌پذیری با Accessibility.snapshot() در Puppeteer یا معادل آن در Playwright.
  • اجرای ناوبری و خواندن صفحه با APIهای موجود و نگهداری نگاشت ارجاعات Anthropic در لایهٔ بالاتر.
  • ایجاد adapter که درخواست‌های client-toolset را به فراخوان‌های Playwright/Puppeteer ترجمه کند و پاسخ را در قالبی بازگرداند که Claude می‌فهمد.

کاهش تاخیر و هزینه با گروه‌بندی عملیات

Anthropic امکان ارسال چند عملیات در یک نوبت را فراهم کرده تا نیاز به تبادل مکرر بین Claude و اجراکننده کاهش یابد. می‌توان چندین بلوک tool_use را هم‌زمان ارسال کرد؛ اجراکننده آن‌ها را به ترتیب اجرا و نتایج را در یک بسته بازمی‌گرداند. این ویژگی برای جریان‌هایی با ده‌ها یا صدها تعامل، تأثیر قابل‌توجهی بر کاهش تأخیر و هزینه دارد.

ملاحظات ترتیب و صحت اجرا

با وجود گروه‌بندی، ترتیب اجرای عملیات اهمیت دارد: اگر اولین کلیک یا عمل موفق نباشد، عملیات‌های بعدی که مبتنی بر وضعیت حاصل از عمل اول طراحی شده‌اند نباید اجرا شوند. اجراکننده باید هر عملیات را اعتبارسنجی کند و در صورت عدم تطابق کل جریان را متوقف و از Claude درخواست خواندن مجدد صفحه نماید.

هم‌نامی پروژه‌ها؛ تفاوت در پیاده‌سازی

یک پروژه متن‌باز مستقل نیز به نام Browser Use وجود دارد که عامل‌های مبتنی بر هوش مصنوعی را مقابل Chromium از طریق Chrome DevTools Protocol اجرا می‌کند. این پروژه ارتباطی با راهکار Anthropic ندارد و برای اتصال میان آن‌ها همچنان نیاز به یکپارچه‌سازی و adapter است.

انتظارات از تیم‌های توسعه

در وضعیت فعلی، Browser Use محدود به Claude API است و در داخل Claude Managed Agents قرار ندارد؛ بنابراین میزبان باید موارد زیر را فراهم یا پیاده‌سازی کند:

  • اجرای مرورگر و محیط اجراکننده که بتواند درخت دسترسی‌پذیری را استخراج کند.
  • نگهداری و اعتبارسنجی ارجاعات عناصر در طول جلسات تعامل.
  • طراحی adapter برای تبدیل پروتکل client-toolset به فراخوان‌های Playwright/Puppeteer و برگرداندن پاسخ‌ها در قالب انتظار Claude.
  • منطق مدیریتی برای متوقف‌سازی جریان در صورت ناسازگاری وضعیت صفحه و درخواست دوبارهٔ خواندن صفحه.

مزايا و محدودیت‌های عملی

  • مزایا: هدف‌گیری دقیق‌تر عناصر، مقیاس‌پذیری بهتر نسبت به تشخیص مبتنی بر تصویر، و کاهش تعداد فراخوانی‌های مدل با گروه‌بندی عملیات.
  • محدودیت‌ها: نیاز به نگهداری ارجاعات، احتمال نامعتبر شدن ارجاع‌ها پس از تغییر صفحه، و نیاز به توسعه و نگهداری adapterهای پروتکلی.

جمع‌بندی کاربردی

Browser Use یک تغییر مهم در رویکرد تعامل با وب ارائه می‌دهد: انتقال از تعامل مبتنی بر پیکسل به تعامل مبتنی بر ساختار صفحه که دقیق‌تر و مناسب‌تر برای جریان‌های کاری پیچیده است. برای بهره‌برداری کامل، لازم است میان پروتکل‌ها پل زده شود، ارجاعات مدیریت شوند و منطق خطا در اجراکننده به‌خوبی پیاده‌سازی گردد تا عامل‌های مبتنی بر Claude در عمل قابل‌اعتماد و مقرون‌به‌صرفه باشند.

منابع مرتبط: صفحه معرفی Anthropic و مستندات Playwright و Puppeteer.