agent-browser 0.43.0 با راهنمای اسنپشات و نصب سبکتر
خلاصهٔ کاملتر
agent-browser ابزاری از Vercel Labs هست که به ایجنتهای هوش مصنوعی اجازه میده یه مرورگر Chrome رو کنترل کنن. ایجنت یه snapshot از صفحه میگیره (یعنی یه نمای متنی از درخت دسترسپذیری صفحه که هر کنترل یه ref داره) و بعد روی همون refها کلیک یا تایپ میکنه. نسخهی 0.43.0 بیشتر روی همین تجربه کار کرده.
مهمترین قابلیت جدید snapshot hints هست. بعضی دکمهها اسم دسترسپذیر ندارن یا اسمشون با یه کنترل دیگه تو همون صفحه یکیه، مثلاً چندتا دکمهی آیکونی «حذف» تو یه لیست. حالا کنار ref این کنترلها یه راهنما میاد که آیکون، فایل تصویر، data-testid، name یا id و متن نزدیکترین ردیف یا آیتم لیست رو نشون میده. یعنی ایجنت کمتر دکمهی اشتباهی رو میزنه.
یه skill جدید به اسم Modern Web Guidance هم اضافه شده که راهنمای Chrome برای یه کار مشخص رو میگیره و بعد صفحهای که ساخته شده رو با agent-browser چک میکنه. برای همینم یه راهنمای جدا تو مستندات نوشته شده.
تو بخش باگها، دستوری که تبش قبل از جواب Chrome بسته میشد تا آخر timeout منتظر میموند؛ حالا سریع با خطای Target closed: CDP session detached شکست میخوره. ضبط ویدیو با device scale شبیهسازیشده هم درست شده و اگه فریم screencast از scale صفحه کمتر باشه، ابزار سراغ اسکرینشات میره تا کیفیت کامل بمونه.
باینریهای native حالا بهصورت پکیجهای جدا برای هر پلتفرم منتشر میشن، پس موقع نصب فقط باینری سیستم خودت دانلود میشه. اگه install scriptها بلاک باشن، دستور سراسری مستقیم به همون باینری لینک میشه. اسنپشات صفحههای بزرگ هم سریعتر شده، چون درخت دسترسپذیری فقط یه بار پارس میشه.
نکات کلیدی:
- نسخهی 0.43.0 از agent-browser در 12 نوامبر منتشر شده
- snapshot hints برای کنترلهای بینام یا همنام، data-testid و id و متن ردیف رو نشون میده
- skill جدید Modern Web Guidance راهنمای Chrome رو میگیره و صفحه رو چک میکنه
- دستور روی تب بستهشده حالا فوری خطای Target closed میده و منتظر timeout نمیمونه
- نصب فقط باینری مخصوص پلتفرم رو دانلود میکنه و اسنپشات صفحههای بزرگ سریعتره




