افزونههای کروم که فقط یه پرامپت هستن
خلاصهٔ کاملتر
Paul Kinlan تو این پست پروژهی Prompt in a Box رو معرفی میکنه که حالا خیلی کاملتر شده. ایده اینه که رفتار یه افزونهی کروم رو با زبون ساده تو یه فایل Markdown بنویسی، مثلاً «تبهای تکراریمو حذف کن»، و یه ایجنت هوش مصنوعی همونو اجرا کنه. هر جزئیاتی هم بخوای، مثل اینکه هر ۱۰ دقیقه اجرا بشه یا محتوای صفحه رو هم ببینه، فقط کافیه بنویسیش. نویسنده میگه افزونههای کروم خودشون یه سندباکس خوب برای ایجنتها هستن، چون manifest و مدل دسترسی و سیستم رویداد دارن.
هر افزونه از سه فایل ساخته میشه: prompt.md که خود برنامهست، manifest.json که مشخص میکنه افزونه به چی دسترسی داره، و config.json برای تنظیماتی مثل مدل مجاز و زمانبندی اجرا. service worker افزونه حلقهی ایجنت رو با agent-do اجرا میکنه و حدود ۵۰ API کروم مثل tab_list و bookmark_search رو بهشکل tool در اختیار مدل میذاره. هر tool پشت یه permission کرومه، پس اگه دسترسی bookmarks داده نشده باشه، مدل اصلاً ابزارهای بوکمارک رو نمیبینه. کلید API هم تو مرورگر میمونه و فقط با مدل انتخابی (Gemini، Claude یا GPT) ارتباط برقرار میشه.
یکی از جالبترین بخشها code_modeـه که از Pi.dev الهام گرفته. بهجای اینکه مدل برای خوندن ۵۰ تب، ۵۰ بار رفتوبرگشت به LLM داشته باشه، خودش یه اسکریپت async کوچیک مینویسه که همه رو موازی میخونه:
const tabs = await tools.tab_list();
const pages = await Promise.all(
tabs
.filter((tab) => tab.canScript)
.map((tab) => tools.tab_read({ tabId: tab.id, maxLength: 500 }))
);این کار زمان اجرا رو بعضی وقتا از چند دقیقه به چند ثانیه رسونده. چون CSP افزونهها اجازهی eval نمیده، کد تو یه iframe سندباکسشده داخل یه offscreen document اجرا میشه که هیچ API کروم و هیچ دسترسی شبکهای نداره و فقط با postMessage میتونه tool صدا بزنه. سیستم میتونه اسکریپتی که نوشته رو با saveAs ذخیره کنه و به یه رویداد مثل tabs.onUpdated وصل کنه تا دفعهی بعد بدون هزینهی توکن اجرا بشه.
بقیهی امکانات از بازخورد تیمها اومده. UI پاپآپ رو میشه با یه بلوک ui بهشکل JSON تو prompt.md تعریف کرد، هرچند نویسنده میگه از این بخش راضی نیست. برای Undo هر tool قبل از تغییر، راه برگردوندنش رو ثبت میکنه و ۱۰۰ کار آخر نگه داشته میشه. یه trace کامل از هر اجرا هم تو OPFS (یعنی فایلسیستم خصوصی مرورگر) ذخیره میشه که شامل tool callها، توکنها و هزینهست. به گفتهی نویسنده این پرکاربردترین قابلیت برای خودش بوده.
نویسنده دربارهی ریسکها هم صادقه. متن صفحهها قبل از رسیدن به مدل پاکسازی میشه و داخل یه حصار «این دادهست، نه دستور» قرار میگیره، ولی خودش میگه این فقط کاهش ریسکه و راهحل کامل نیست. به نظرش یه صفحهی دستکاریشده میتونه اجرای افزونه رو تو دفعات بعد تحت تأثیر بذاره و اطلاعات حساس بیرون بکشه. این افزونهها فقط تو developer mode بار میشن و تو Chrome Web Store قبول نمیشن.
نکات کلیدی:
- هر افزونه از سه فایل prompt.md، manifest.json و config.json ساخته میشه
- حدود ۵۰ API کروم بهشکل tool در دسترس مدله و هر کدوم پشت یه permission قرار داره
- code_mode خوندن تبها رو موازی میکنه و زمان اجرا رو از چند دقیقه به چند ثانیه میرسونه
- Undo برای ۱۰۰ کار آخر ایجنت وجود داره و همهی اجراها تو OPFS ثبت میشن
- به خاطر اجرای کد پویا، این افزونهها تو Chrome Web Store پذیرفته نمیشن
- نویسنده prompt injection از طریق صفحههای وب رو ریسکی جدی و هنوز حلنشده میدونه




