BrowserAct：AIエージェントに実際のWeb操作をさせるオープンソースツールキット

AIエージェントは、単にAPIを呼ぶだけでなく、実際のWebサイトにログインして情報を取得したり、操作を完了したりする能力が求められるようになっています。しかし現実には、これが簡単ではありません。

多くのサイトにはボット検知があり、ページ構造は頻繁に変わり、従来のスクレイピングスクリプトはすぐ壊れてしまいます。

ECOCREATEが公開したオープンソースプロジェクト BrowserAct は、こうした問題を解決することを目的としています。GitHubで公開された2つのツール——browser‑act と browser‑act‑skill‑forge——を組み合わせることで、AIエージェントがライブWebをより安定して利用できる環境を作ろうとしています。

ただし、公開されている情報の多くは企業自身の発表資料に基づくため、性能や信頼性に関する主張は現時点ではベンダー側の説明として扱う必要があります。

BrowserActで公開された2つのツール

BrowserActは、役割の異なる2つのコンポーネントで構成されています。

browser‑act
AIエージェントが実際のブラウザを操作し、Webサイトと直接やり取りできるようにするスキル。

browser‑act‑skill‑forge
特定のサイト用の自動化ツール（「Skills」）を生成し、再利用できるようにするフレームワーク。

プロジェクトの説明では、この関係を次のように例えています。

• browser‑act：エージェントにWebを操作する手を与える
• skill‑forge：サイトごとに最適な新しい手を作る工場

両方ともGitHub上で公開されており、ライブWebにアクセスするAIエージェントシステムの構築パーツとして位置づけられています。

AIエージェントにとってWeb自動化が難しい理由

AIエージェントがWebサイトを扱うとき、典型的に次のような問題に直面します。

• ボット検知システムによるブロック
• 複雑で不安定なページ構造
• サイトごとに必要になる専用スクリプトの書き直し

BrowserActは、ブラウザ自動化と再利用可能なサイト専用ツールを組み合わせることで、これらの課題を同時に解決しようとしています。

browser‑act：エージェントにブラウザ操作を与える

browser‑act は、AIエージェントが実際のブラウザ環境を操作できるようにする実行レイヤーです。

APIや静的スクレイピングだけに頼るのではなく、エージェントがユーザーのようにサイトを操作できます。

公開資料によると、主に次のような操作が可能とされています。

• ライブWebサイトの閲覧と操作
• ページからのデータスクレイピング
• 構造化データの抽出
• ログイン処理などのインタラクション
• JSONやページスクリーンショットの出力

複雑なサイトでも、従来の壊れやすいスクリプトより高速かつ安定した処理が可能と説明されています。ただし、これを裏付ける独立したベンチマークは公開されていません。

ボット検知対策の仕組み

多くのWebサイトは、以下のような方法で自動アクセスを検出します。

• ブラウザフィンガープリント
• IPアドレス分析
• CAPTCHA認証

BrowserActの資料では、これらへの対策として次の機能が挙げられています。

• ランダム化されたブラウザフィンガープリント
• 住宅IP（Residential IP）対応
• CAPTCHAの処理
• 自動化が失敗した場合の人間によるリモート操作

ただし、CAPTCHA解決率やフィンガープリント生成方式などの技術的詳細は公開されていません。

なお、ランダム化されたブラウザフィンガープリントは、スクレイピングツールで一般的に使われる手法で、現実のブラウザのヘッダや属性を生成してユーザー行動を模倣する仕組みが研究・実装されています。

browser‑act‑skill‑forge：サイト専用「Skills」を作る

browser‑act‑skill‑forge は、特定のWebサイト向けの自動化ロジックを再利用可能な形にするツールです。

例えば次のような処理を、再利用可能な Skill として保存できます。

• マーケットプレイス検索
• 商品リスト抽出
• 特定フォームの操作

これにより、サイトごとにスクレイピングコードを書き直す必要がなくなり、エージェントは必要なときにそのSkillを呼び出すだけで済みます。

仕組みとしては次のアプローチが説明されています。

• 利用可能なAPIを自動検出
• 必要に応じてDOM操作と組み合わせる
• ワークフローをSkillとしてパッケージ化

このAPI優先（API‑first）アプローチにより、ページを丸ごとレンダリングするよりも高速な実行を狙っています。

AIエージェントフレームワークとの統合

BrowserActのSkillsは、ツール呼び出し型のエージェントフレームワークに組み込むことを想定しています。

例えば公開されている例では、GitHubリポジトリをクローンすることで Claude Code 環境にSkillsを追加できます。

また、複数のスキルを連携させてタスクを実行する OPENCLAWスタイルのエージェントワークフローとの互換性も説明されています。

主張されている性能向上

プロジェクト資料では、BrowserActを利用することで次のようなメリットがあるとされています。

• タスク実行の高速化
• 運用コストの削減
• 複雑なサイトでの成功率向上

ただし、現時点で公開されている資料には

• ベンチマーク数値
• 比較対象ツール
• テスト方法

といった情報が含まれていません。そのため、これらの性能改善は独立検証されていない主張です。

価格・公開状況・不明点

現在公開されている情報では次のようになっています。

• 公開形態: GitHub上のオープンソースプロジェクト
• 価格: ツール自体は無料と説明されている

ただし、以下の点は公開資料だけでは明確ではありません。

• リクエストや同時実行の制限
• 必要なインフラ環境
• 住宅プロキシやCAPTCHA処理の費用
• ボット検知回避に関する利用規約やコンプライアンス

これらは、多くの場合外部サービスやインフラ構成に依存するため、実際の導入環境によって変わる可能性があります。

AIエージェントと「実Web操作」の流れ

BrowserActの登場は、AIインフラの流れの変化を象徴しています。

従来のAIシステムは主にAPIを中心に設計されていましたが、最近は人間のようにWebを直接操作するエージェントが注目されています。

BrowserActは

• 実ブラウザ操作
• 再利用可能なサイトスキル

という2つを組み合わせることで、Web自動化の弱点である「壊れやすさ」を減らそうとしています。

その実用性については、今後の独立テストや実運用の結果によって評価されていくことになりそうです。