BrowserAct ช่วยให้ AI Agent ใช้งานเว็บไซต์จริงได้อย่างไร

คำอธิบายของโปรเจกต์เปรียบเทียบไว้อย่างเข้าใจง่ายว่า

• ตัวแรกคือ มือของ AI agent ที่ใช้เว็บได้จริง
• ตัวที่สองคือ โรงงานที่สร้างมือใหม่สำหรับเว็บไซต์ต่าง ๆ

ทั้งสองถูกปล่อยเป็นโอเพ่นซอร์สบน GitHub และถูกออกแบบให้เป็น building blocks สำหรับระบบ AI agent ที่ต้องเข้าถึงเว็บไซต์จริงอย่างต่อเนื่อง

ทำไมการให้ AI ทำงานบนเว็บจริงถึงยาก

การทำ web automation ด้วย AI มักเจอปัญหาหลัก ๆ เช่น

• เว็บไซต์มี ระบบตรวจจับบอต ที่บล็อกการเข้าถึง
• โครงสร้าง HTML และ DOM ซับซ้อนหรือเปลี่ยนบ่อย ทำให้ดึงข้อมูลยาก
• ทุกเว็บไซต์ต้อง เขียนสคริปต์เฉพาะใหม่ ทำให้ดูแลระบบลำบาก

BrowserAct พยายามแก้ปัญหาทั้งสามด้านพร้อมกัน โดยรวมระบบควบคุมเบราว์เซอร์กับเครื่องมือ automation แบบใช้ซ้ำได้สำหรับแต่ละเว็บไซต์

browser‑act: ให้ AI ควบคุมเบราว์เซอร์จริง

browser‑act ทำหน้าที่เป็น execution layer ที่ให้ AI agent ควบคุม environment ของเบราว์เซอร์จริง แทนการพึ่ง API หรือสคริปต์ scraping แบบเดิม

ตามข้อมูลของโปรเจกต์ ระบบนี้ช่วยให้ agent สามารถ

• เปิดและโต้ตอบกับเว็บไซต์จริง
• ดึงข้อมูลจากหน้าเว็บและแปลงเป็น structured data
• จัดการขั้นตอน login หรือ interaction ต่าง ๆ
• ส่งผลลัพธ์กลับมาเป็น JSON หรือภาพ screenshot ของหน้าเว็บ

เอกสารของโครงการระบุว่าวิธีนี้ช่วยให้ scraping เว็บไซต์ที่ซับซ้อนทำได้เร็วขึ้นและเสถียรกว่า แต่ยังไม่มี benchmark อิสระมายืนยันตัวเลขเหล่านี้

การรับมือระบบตรวจจับบอต

เว็บไซต์จำนวนมากใช้เทคนิคต่าง ๆ เพื่อป้องกัน automation เช่น

• การตรวจ browser fingerprint
• การวิเคราะห์ IP
• CAPTCHA หรือระบบยืนยันตัวตน

BrowserAct ระบุว่ามีความสามารถบางอย่างเพื่อลดปัญหาเหล่านี้ เช่น

• Randomized browser fingerprints เพื่อให้ session ดูเหมือนผู้ใช้จริง
• Residential IP support ลดโอกาสถูกบล็อกจาก IP ศูนย์ข้อมูล
• CAPTCHA solving สำหรับขั้นตอนยืนยันตัวตน
• Remote human takeover ให้มนุษย์เข้าควบคุมเมื่อ automation ล้มเหลว

อย่างไรก็ตาม เอกสารสาธารณะยังไม่ได้อธิบายรายละเอียดเชิงเทคนิค เช่น อัตราความสำเร็จของ CAPTCHA หรือวิธีสร้าง fingerprint

เทคนิคอย่างการสุ่ม browser fingerprint เองก็เป็นแนวทางที่ใช้กันทั่วไปในเครื่องมือ scraping หลายตัว ซึ่งสามารถสร้าง header และข้อมูลเบราว์เซอร์ให้ดูเหมือนผู้ใช้จริงได้

browser‑act‑skill‑forge: เปลี่ยน workflow เว็บให้เป็น “Skills”

ในขณะที่ browser‑act จัดการการใช้งานเว็บแบบเรียลไทม์
browser‑act‑skill‑forge เน้นสร้าง automation ที่ใช้ซ้ำได้สำหรับเว็บไซต์เฉพาะ

ตัวอย่างเช่น workflow อย่าง

• ค้นหาสินค้าใน marketplace
• ดึงรายการสินค้า
• เก็บข้อมูลราคา

ระบบสามารถแปลงขั้นตอนเหล่านี้ให้กลายเป็น Skill ที่ agent เรียกใช้ได้ทันทีในอนาคต โดยไม่ต้องเขียนโค้ดใหม่ทุกครั้ง

แนวทางนี้ทำงานผ่านขั้นตอน เช่น

• ค้นหา API ที่เว็บไซต์ใช้จริงถ้ามี
• ใช้ API ก่อน (API‑first)
• ใช้ DOM automation เสริมเมื่อจำเป็น

แนวคิดนี้ช่วยลด overhead จากการ render หน้าเว็บเต็ม ๆ หากเว็บไซต์มี API ที่ซ่อนอยู่หรือไม่ได้เปิดเผยอย่างเป็นทางการ

การเชื่อมต่อกับระบบ AI Agent

BrowserAct ถูกออกแบบมาให้ใช้กับ agent framework ที่รองรับ tool‑based workflows

ตัวอย่างที่ปรากฏในเอกสาร ได้แก่

• การติดตั้งใน Claude Code environment ผ่านการ clone repository บน GitHub
• การใช้งานกับระบบ OPENCLAW‑style agents ที่ใช้ skill หลายตัวต่อกันเพื่อทำงานซับซ้อน

แนวคิดนี้สอดคล้องกับทิศทางของ ecosystem AI agent ที่เริ่มใช้โมดูลหรือเครื่องมือเฉพาะงานแทนระบบ monolithic

ประสิทธิภาพที่ผู้พัฒนากล่าวอ้าง

เอกสารของ BrowserAct ระบุว่าการใช้เครื่องมือนี้อาจช่วยให้

• งาน automation เร็วขึ้น
• ต้นทุนลดลง
• ผลลัพธ์เชื่อถือได้มากขึ้นในเว็บไซต์ซับซ้อน

แต่เอกสารสาธารณะ ยังไม่มีตัวเลข benchmark วิธีทดสอบ หรือการเปรียบเทียบกับเครื่องมืออื่น ทำให้ยังไม่สามารถยืนยันผลลัพธ์เหล่านี้ได้จากแหล่งอิสระ

ราคา การใช้งาน และข้อจำกัด

ข้อมูลที่เปิดเผยในปัจจุบันมีเพียงบางส่วน

• สถานะ: โอเพ่นซอร์สบน GitHub
• ราคา: ตัวเครื่องมือถูกระบุว่าใช้งานฟรีและโอเพ่นซอร์ส

แต่รายละเอียดหลายเรื่องยังไม่ชัดเจน เช่น

• ขีดจำกัด request หรือ concurrency
• โครงสร้างพื้นฐานที่ต้องใช้
• ค่าใช้จ่ายของ residential proxies
• ค่าใช้จ่ายสำหรับบริการ CAPTCHA solving
• นโยบายการใช้งานและข้อกำหนดด้าน compliance

เนื่องจากฟีเจอร์บางอย่างต้องพึ่งบริการภายนอก ค่าใช้จ่ายจริงจึงอาจแตกต่างตามการติดตั้งแต่ละระบบ

BrowserAct บอกอะไรเกี่ยวกับอนาคตของ AI Agent

การเปิดซอร์ส BrowserAct สะท้อนแนวโน้มสำคัญของวงการ AI คือการเปลี่ยนจาก

AI ที่ใช้ API เท่านั้น → ไปสู่ AI ที่ใช้งานเว็บจริงเหมือนมนุษย์

แนวคิดการรวม

• การควบคุมเบราว์เซอร์
• automation ที่ใช้ซ้ำได้
• และ workflow แบบ skill

อาจช่วยลดปัญหาที่ทำให้ระบบ scraping และ automation แบบเดิมเปราะบาง

สุดท้ายแล้ว BrowserAct จะทำได้ตามคำกล่าวอ้างหรือไม่ ยังต้องรอดูการทดสอบและการใช้งานจริงจากนักพัฒนาในวงกว้าง แต่การเปิดซอร์สครั้งนี้แสดงให้เห็นว่าการทำให้ AI agent ใช้งานเว็บจริงได้อย่างเสถียร กำลังกลายเป็นพื้นที่สำคัญของโครงสร้างพื้นฐาน AI รุ่นใหม่