Az AI kódolási asszisztensek eddig nem tudták kezelni a webes felületeket — most már igen

Ha mostanában szórakoztál AI kódolási asszisztensekkel, biztosan észrevetted: parancssorban és kódfájlokban elképesztően ügyesek, de amint egy webes felületen kell navigálniuk, minden összezavarodik.

Itt jön képbe az agentbrowse.

Ez egy CLI eszköz, amely a Playwright-et burkolja egy egyszerű, agent-barát felületbe. Olyan módon kommunikál, amit az AI asszisztensek — legyen szó Claude Code-ról, Codexról vagy Cursorról — könnyedén megértenek.

A probléma: webes felületek és AI ügynökök

A hagyományos böngésző-automatizálás emberi felhasználóra van tervezve. Az emberek kezelik a CAPTCHÁ-t, intuícióval értelmezik a vizuális elrendezést, és pontosan oda kattintanak, ahova kell. Az AI ügynökök viszont küzdenek a vizuális felületek bizonytalanságával.

Az agentbrowse megfordítja ezt a kapcsolatot. Az ügynök nem a böngészővel küzd, hanem egy tiszta API-t kap:

• URL megnyitása
• Oldal beolvasása markdown formátumban
• Kattintás szöveg vagy szám alapján
• Űrlapok kitöltése

Mindez parancssorból, strukturált adatokkal visszatérve.

Elkezdeni pár perc alatt

A telepítés gyerekjáték:

npm install -g agentbrowse
npx playwright install chromium

Készen állsz. Az első futtatás automatikusan letölti a Chromiumot.

A használat alapjai:

• agentbrowse open <url> — oldal megnyitása
• agentbrowse read — aktuális oldal tiszta markdownként
• agentbrowse links — számozott, követhető linkek listája
• agentbrowse click "Sign up" — kattintás látható szöveg vagy link-szám alapján
• agentbrowse read --json — strukturált kimenet programozott feldolgozáshoz

Persistence: a titkos összetevő

Amit az agentbrowse igazán hasznossá tesz, az a perzisztens munkamenet-modell. Egy háttérben futó böngésző daemon folyamatosan életben tartja az oldal állapotát a parancsok között.

Ez azt jelenti, hogy megnyithatod az oldalt, bejelentkezhetsz, navigálhatsz egy konkrét oldalra, majd átadhatod az irányítást az agentnek — mindezt állapot újraépítése nélkül.

A munkamenetek izoláltak, saját sütikkel és hitelesítési állapottal. A login parancs még egy valódi böngészőablakot is megnyit, ahol kezelheted az MFA-t és CAPTCHA-t, majd elmenti azt a hitelesített munkamenetet későbbi headless használatra.

Automatikus felismerés az agent által

Itt válik igazán elegánssá a dolog. Telepítheted az agentbrowse-t "skill"-ként, amit az AI kódolási asszisztensed automatikusan felismer:

npx agentbrowse skill --global

Ez megírja a megfelelő konfigurációs fájlt bármelyik agenthez — legyen az SKILL.md a Claude Code-hoz, .cursor/rules a Cursorhoz, vagy AGENTS.md a Codexhez.

Nincs többé szükség bonyolult promptokra, amelyek elmagyarázzák a böngésző használatát. A képesség egyszerűen... ott van.

Strukturált kimenet gépi feldolgozáshoz

Minden parancs fogadja a --json flaget gépileg olvasható kimenethez. A hibák konzisztens formátumot követnek, meghatározott kilépési kódokkal:

• 2: használati hiba
• 3: navigációs hiba
• 4: cél nem található
• 5: daemon probléma

Ez teszi az agentbrowse-t scriptelhetővé és megbízhatóvá CI/CD pipeline-okhoz és automatizált munkafolyamatokhoz.

Site manifestek: domain-specifikus szuperképességek

Komplex vagy gyakran használt oldalakhoz definiálhatsz site manifest fájlt, amely névvel ellátott, magas szintű parancsokat tesz elérhetővé:

agentbrowse --site ./github.agent.json create-issue "Bug in login flow"

A manifestek oldalakat, selectorokat és parancsszekvenciákat deklarálnak változó interpolációval — lényegében egyedi "skill"-eket hozol létre konkrét weboldalakhoz.

A nagyobb kép

Az agentbrowse egy eltolódást képvisel abban, ahogy az AI agent képességeit gondoljuk. Ahelyett, hogy reménykednénk, az AI látási modelljei reprodukálják az ember-böngésző interakciót, inkább eszközöket adunk az ügynököknek, amelyek az erejükre vannak tervezve: strukturált parancsok, elemezhető kimenet, perzisztens állapot.

Fejlesztőknek, akik agent-alapú munkafolyamatokat építenek, ez egy gyakorlatias eszköz, amely valós űrt tölt be. Azoknak, akik az AI-asszisztált fejlesztést térképezik fel, ez egy előfutárja annak, hogyan alakulhatnak az agent-eszköz interakciók — elszakadva a vizuális felületektől, amelyek embereknek lettek tervezve, a programozható felületek felé, amelyek gépeknek készültek.

Akár webes tesztelést automatizálsz, akár AI munkafolyamatokat építesz, akár csak kíváncsi vagy az agent-eszköz interakciók jövőjére — az agentbrowse megéri a felfedezést. MIT licenc alatt áll, aktívan fejlesztik, és teljesen lokálisan fut — nincs szükség felhőszolgáltatásokra vagy külső rendszerekre.

A terminál visszatért — és most már a te AI-d is használhatja.