A LangChain szerint a megfelelő böngészőeszköz négyszeres költségcsökkenést hozhat

A böngészőhasználat egyre fontosabb az ügynököknek

A LangChain november 3-i bejegyzése szerint a böngészőhasználat fontos képesség az önálló munkát végző ügynökök számára. Ezek a rendszerek olyan weboldalakon is végre tudnak hajtani feladatokat, amelyekhez nem tartozik nyilvános API. Példaként a cég az Instinct és a Meta Muse személyes ügynökeit említi, amelyek útvonalat terveznek országokon átívelő utazásokhoz, lemondanak fölöslegessé vált előfizetéseket, illetve autókat hirdetnek meg.

A DataDome adataira hivatkozva a LangChain azt írja, hogy az ügynököktől érkező böngészőkérések száma szeptemberben önmagában 4,7-szeresére nőtt. A böngészővezérlés egy másik fontos felhasználási területe a kódoló ügynökök által készített webalkalmazások végponttól végpontig tartó tesztelése.

Az ügynöknek ehhez eszközökre van szüksége az oldalak megnyitásához, olvasásához és kezeléséhez, valamint egy böngészőre. A LangChain Managed Deep Agents szolgáltatása a LangSmithben teszi lehetővé ügynökök létrehozását és telepítését saját infrastruktúra futtatása nélkül. A böngészőt egy hosztolt szolgáltató, például a Browserbase is biztosíthatja, amely a közlemény szerint a CAPTCHA-k, a botblokkolás és a nagy számú böngésző futtatásának kezelését is vállalja.

Hét eszköz közül választották ki a Stagehandet

A LangChain három élő webhelyeken végzett feladatsoron vizsgálta meg az eszközöket. A WebVoyager 100 hétköznapi feladatot tartalmazott olyan népszerű oldalakon, mint az Allrecipes, az Amazon és a Google Flights. A teszteket Claude Sonnet 5.5-tel futtatták, az értékelést pedig egy Jev bíró végezte.

A HardBench 102 nehezebb, a Browserbase által összeállított feladatból állt, többnyire Claude Opus 5.5 használatával. A WebTailBench a Microsoft valós használatból származó, úgynevezett farokeseteit tartalmazta, ezek közül 150-et futtattak le a Stagehand értékeléseiben. Minden teszthámess strukturált, JSON formátumú választ adott, így például egy táblázat helyett adott egysoros válasz nem rontotta le külön a böngészési teljesítmény értékelését.

A hét vizsgált eszköz a WebVoyager feladatainak 78 és 90 százaléka közötti részét oldotta meg, a költség és a sebesség azonban jelentősen eltért. A Stagehand 90 százalékos eredményt ért el 1,98 dolláros teljes költséggel, a feladatonkénti medián idő 17,4 másodperc volt. A Playwright MCP 78 százalékos eredményt hozott 26,71 dollárból, ami a LangChain számítása szerint körülbelül 13-szoros költséget jelentett, és a feladatok háromszor annyi időt vettek igénybe.

A nehezebb HardBench 38 alapfeladatán a Stagehand kódírásra épülő run eszközével dolgozó Deep Agents 30 feladatot oldott meg. A Browserbase parancssoros browse CLI-jával 21 feladat sikerült, feladatonként háromszoros költség mellett.

A kódalapú működés csökkenti a kontextus terhelését

A LangChain szerint a böngészős feladatok két különleges problémát okoznak. Hosszúak, ezért sok egymást követő eszközhívásra van szükség, miközben a weboldalak nagy mennyiségű tartalmat adnak vissza, amelynek gyakran csak kis része releváns. A Playwright MCP esetében egy WebVoyager-feladat átlagosan 26 modellfordulót igényelt. A Browserbase hosztolt MCP-szerverén egy navigáció mediánja körülbelül 17 000 karakter volt.

A Stagehand három fő eszközt kínál. A snapshot az oldal akadálymentességi fáját olvassa ki, és az interaktív elemeket azonosítókkal látja el. A run műveleteket hajt végre, akár több kattintást és mezőkitöltést egyetlen kötegben, akár Playwright-stílusú JavaScript-kód segítségével. A screenshot a megjelenített oldalt rögzíti.

A kódalapú működésnél az ügynök egyetlen kódrészletben írhatja le a teljes lépéssort, például egy oldal megnyitását, egy mező kitöltését, a kattintást és az eredmény ellenőrzését. A köztes adatok változókban maradnak, és csak az ügynök által visszaadott tartalom kerül újra a kontextusba. A LangChain egy korábbi összehasonlításában a Browserbase MCP-eszközeinek kódból, értelmezőn keresztüli használata 17,87 dollárról 4,52 dollárra csökkentette a költséget.

A Stagehand run eszköze natívan kezeli ezt a működést. Feladatonként átlagosan 10 lépést használt, szemben a Playwright MCP 26 lépésével, egy navigáció pedig mediánban 117 karaktert adott vissza a Browserbase navigációs eszközének mintegy 17 000 karakterével szemben. Amikor a LangChain a Stagehand natív API-ját próbálta ki, az eredmény 5,3 százalékponttal gyengébb lett, a sikeres feladatonkénti költség pedig 19 százalékkal nőtt.

A tömör oldalleírások és a kevesebb kapcsolat is számít

A snapshot az oldal teljes HTML-je vagy egy képernyőkép helyett az akadálymentességi fa ügynök számára szükséges részét adja vissza. Az interaktív elemek azonosítókat kapnak, így az ügynök közvetlenül hivatkozhat rájuk, például egy kattintási műveletben. A Browserbase szerint a Stagehand v4 körülbelül 80 százalékkal hatékonyabb tokenhasználatot ér el, mint a Playwright.

A LangChain WebTailBench-futtatásaiban egy képernyőkép medián mérete 89 kilobájt volt. A cég tapasztalata szerint az utólagos, 8000 karakteres levágás nem hozott költségcsökkenést, mert az ügynökök egyszerűen újra lekérték az oldalt. Ez alapján a szükséges tartalom kiválasztását már a forrásnál kell elvégezni.

A böngésző és az ügynök közötti kapcsolatok száma szintén befolyásolja a teljesítményt. A LangChain példája szerint egyetlen Playwright-kattintás öt Chrome DevTools Protocol-hívást igényel, mivel az eszköz előbb láthatóvá teszi az elemet, lekéri a pozícióját, majd külön mozgatási, lenyomási és felengedési műveleteket hajt végre. A Stagehand v4 a böngészőben futó kiterjesztésként működik, a műveletek kötegét pedig egyetlen kapcsolatban küldi el. A Browserbase saját benchmarkjai szerint a v4 kétszer gyorsabb a Playwrightnál.

A LangChain következtetése szerint az ügynökök böngészési teljesítményét jelentősen meghatározza az eszközök kialakítása. A fejlesztők a LangSmith nyomaiban vizsgálták, hol pazarol a rendszer lépéseket vagy tokeneket, majd minden módosítást újabb értékelésekkel ellenőriztek.