Böngészőt kapnak a LangChain kezelt Deep Agents ügynökei

Olyan webes feladatokra készült, amelyekhez nincs API

A LangChain szerint sok, ügynökökre bízható feladat böngészőben zajlik. Ilyen lehet egy repülőjegy vagy éttermi foglalás, egy előfizetés lemondása, illetve egy kárigény benyújtása. Ezeket a webhelyeket emberek által végzett kattintásos használatra tervezték, és előfordulhat, hogy nem biztosítanak API-t az automatizáláshoz.

A hagyományos oldalletöltés sem feltétlenül elég. A curl például a JavaScript futtatása előtti HTML-t adja vissza, és nem képes kattintani az oldalon. A böngésző használatával az ügynök azt látja, ami ténylegesen megjelenik a weboldalon, majd interakcióba léphet az elemekkel.

A LangChain két gyakori felhasználási területet emel ki. Az egyik az API-val nem lefedett műveletek elvégzése. Ha egy feladathoz van API, a vállalat szerint az ügynöknek azt kell használnia. A másik a végponttól végpontig tartó tesztelés, például amikor egy kódoló ügynök egy regisztrációs űrlapot ellenőriz egy módosítás után.

Néhány sor kóddal bekapcsolható

A Managed Deep Agents infrastruktúra futtatása nélkül teszi lehetővé ügynökök létrehozását és üzembe helyezését a LangSmithben. A böngésző hozzáadásához a fejlesztőnek egy define_browser segítségével exportált böngészőt kell létrehoznia a projekt gyökerében található browser.py fájlban.

Az alapértelmezett, thread hatókörben minden beszélgetés saját, új böngészőablakot kap, így nem örökli egy másik beszélgetés sütijeit és bejelentkezéseit. A user hatókör egy bejelentkezett felhasználó beszélgetései között osztja meg a böngésző állapotát. A beszélgetések ilyenkor külön ablakot használnak, miközben a sütik és más böngészőadatok megmaradnak.

A böngésző alapértelmezés szerint 10 perc tétlenség után leáll. A szolgáltatás leírása szerint ezzel elkerülhető, hogy használaton kívüli böngésző fusson tovább.

A bejelentkezést átadhatja az embernek

A jelszavak kezelése miatt az ügynök nem kapja meg közvetlenül a felhasználó hitelesítő adatait. Amikor bejelentkezési oldalhoz ér, a browser_handoff eszközzel jelzi, hogy emberi közreműködésre van szükség. A LangSmith Studio felületén ekkor megjelenik egy interaktív kártya ugyanazzal a böngészővel.

A felhasználó saját maga bejelentkezik, majd a Hand back lehetőséggel visszaadja a böngészőt az ügynöknek. Az folytathatja a munkát a már bejelentkezett munkamenetben. A LangChain szerint ez a funkció minden kezelt böngésző része, és a Managed Deep Agents olyan csatornáin is automatikusan működik, mint a Slack.

user hatókör esetén a bejelentkezés későbbi beszélgetésekben is megmarad. A vállalat szerint így a felhasználónak csak egyszer kell belépnie egy webhelyre.

A böngésző külön homokozóban fut

A Managed Deep Agents a böngészőt saját, a LangSmithben működő homokozójában futtatja, az ügynöktől elkülönítve. A böngésző távoli, ezért semmi nem fut a felhasználó számítógépén. Az ügynök a browser_snapshot eszközzel olvashatja ki az oldal akadálymentességi fáját, a browser_run műveletekkel kattinthat és tölthet ki mezőket, a browser_screenshot képernyőképet készít, a browser_handoff pedig átadja a böngészőt a felhasználónak.

A LangChain szerint a browser_run a legtöbb munkát elvégzi. Több lépést, például egy oldal megnyitását, egy mező kitöltését, a kattintást és az eredmény ellenőrzését egyetlen hívásban kezelhet. Ez csökkenti a modell kontextusába kerülő oldaladatok mennyiségét.

A vállalat 100 WebVoyager-feladaton tesztelte a rendszert. Állítása szerint a feladatok 90 százalékát teljesítette, összesen 1,98 dolláros költséggel. A hét vizsgált eszközkészlet közül ez volt a legmagasabb teljesítési arány, a Browserbase MCP-szervere 89 százalékot ért el a LangChain összevetésében, kilencszeres költség mellett.