Miért a böngészős munkamenetek rögzítése az AI-ügynökök integrációjának jövője?

Az automatizálási probléma, amelyet mindannyiunk ismer

Ezt minden fejlesztő átélt már. Előfordulhat, hogy egy gyönyörű felületű webalkalmazást kell automatizálni. Lehet, hogy egy olyan harmadik fél által kínált eszközzel kell integrálni, amelynek nincs API-ja, vagy egy meglévő rendszerrel interaktáló AI-ügynököt kell létrehozni. A hagyományos megközelítések API-k visszafejtését, összetett scraping szkriptek megírását vagy — ami a legrosszabb — a felhasználói interakciók kézzel szimulálását jelentik a törékeny automatizálási keretrendszerek segítségével.

Mi lenne, ha létezne jobb megoldás? Mi lenne, ha egyszerűen... emberként használhatnánk az alkalmazást, és az eszközök feltérképezhetnék a háttérben működő API-struktúrát?

A munkamenet-rögzítési technológia megjelenése

A böngészős munkameneteket rögzítő és automatikus API-generálásra tervezett, újonnan megjelenő eszközcsoport valóban lenyűgöző. Az alapelv elegánsan egyszerű: a webalkalmazást a szokásos módon használjuk, az automatizálni kívánt műveleteket végrehajtva, miközben az eszköz figyel és tanul. Rögzíti a böngésző által küldött API-hívásokat, megérti a kérés/válasz mintázatokat, és teljes OpenAPI 3.1-specifikációt generál a munkamenetből.

Ez az OpenAPI-specifikáció hidat képez a felhasználóbarát felület és a gépi környezetekben könnyen használható API-világ között. A specifikáció birtokában a következők tehetők:

• Valós felhasználói viselkedéshez igazodó tesztkészleteket generálhat
• Más eszközökkel és szolgáltatásokkal integrációkat építhet
• Olyan AI-ügynököket hozhat létre, amelyek értik, hogyan kell interakcióba lépni az alkalmazással
• A nem dokumentált API-kat dokumentálhatja a későbbi felhasználás céljából

Miért számít az OpenAPI 3.1

Felmerülhet a kérdés, miért olyan fontos az OpenAPI-specifikáció formátuma. A válasz az ökoszisztéma-kompatibilitásban rejlik. Az OpenAPI a REST API-k leírásának de facto szabványa lett. Az OpenAPI 3.1-specifikációkat előállítva a munkamenet-rögzítő eszközök olyan kimeneteket hoznak létre, amelyek zökkenőmentesen együttműködnek a következőkkel:

• API-dokumentáció-generátorokkal
• kliens-SDK-generátorokkal
• API-tesztelő eszközökkel
• AI-ügynök-keretrendszerekkel
• service mesh- és gateway-konfigurációkkal

Ez azt jelenti, hogy a böngészős munkamenetből kinyert tudás azonnal, közvetlenül használható formában áll rendelkezésre a teljes fejlesztési stackben.

Terminálközpontú vezérlés

A megközelítés egyik legvonzóbb aspektusa a terminálvezérelt munkafolyamat. A munkamenet rögzítése és az API-specifikáció előállítása után az alkalmazás közvetlenül a parancssorból irányítható. Ennek több előnye van:

Reprodukálhatóság: A szkriptek és parancsok verziókezelés alá vonhatók, megoszthatók, és konzisztensen futtathatók a különböző környezetekben.

Összekapcsolhatóság: A terminálparancsok csővezetbe kapcsolhatók, más eszközökkel kombinálhatók, és CI/CD pipeline-ekbe integrálhatók.

Átláthatóság: A GUI-ban való kattintással szemben a terminálparancsokból egyértelműen látható, hogy pontosan mi történik minden lépésnél.

Valós felhasználási esetek

A technológia felhasználási esetei messze túlmutatnak az egyszerű automatizáláson. Gondoljunk a következő helyzetekre:

Egy startup a hivatalos API-ra való várakozás nélkül integrálhat egy versenytárs webalapú eszközével. A fejlesztőcsapatok regressziós teszteket hozhatnak létre, amelyek a valós felhasználói útvonalakat követik. A QA-mérnökök pedig pusztán a felhasználói munkafolyamatok végigjárásával átfogó API-dokumentációt generálhatnak. Az AI-ügynökök fejlesztői pedig csupán bemutató útján megtaníthatják ügynökeiket bármely webalkalmazás használatára.

Első lépések

Ha ezt a területet szeretné felfedezni, az eszközök világa gyorsan éretté válik. A böngészős munkameneteket rögzítő és OpenAPI-specifikációkat generáló projektek anélkül is elérhetővé teszik a technológiát, hogy mély web scraping vagy API-visszafejtési szakértelmet kellene elsajátítani.

A munkafolyamat általában a következő lépésekből áll:

1. Rögzítési munkamenet indítása
2. Böngészés és a kívánt műveletek végrehajtása
3. A rögzítés leállítása és a generált specifikáció áttekintése
4. A specifikáció használata az alkalmazás programozott irányításához

A tágabb perspektíva

Ami itt izgalmas, nem pusztán a technikai vívmány, hanem a paradigmaváltás. Az olyan korszakból, amelyben az automatizáláshoz API-hozzáférés kellett, egy olyan korszakba lépünk, amelyben bármely webes felület a viselkedéselemzés révén potenciális automatizálási célponttá válhat.

A fejlesztők és a startupok számára ez olyan lehetőségeket nyit meg, amelyek korábban nem voltak kivitelezhetők. Az API nélküli meglévő rendszerek automatizálhatók. A harmadik fél eszközei a saját igényeinknek megfelelően integrálhatók. Az AI-ügynökök közvetlen programozás helyett bemutató útján tanulhatják meg az alkalmazások használatát.

A webet úgy tervezték, hogy az emberek böngészőkkel használhassák. Most, a megfelelő eszközökkel, a gépeket is megtaníthatjuk ugyanerre.

Mely webalkalmazásokat automatizálná, ha bármely felület API-vá válhatna? Az eszközök gyorsan fejlődnek, a korlátok pedig napról napra szűkülnek.