Przejdź do treści

Agent przeglądarkowy (Computer use)

Definicja

Agent przeglądarkowy to agent AI, który obsługuje strony internetowe albo cały komputer jak człowiek:

  • widzi ekran,
  • klika,
  • wpisuje tekst,
  • przewija i przechodzi między stronami.

Funkcję tę często nazywa się „computer use”. Przykłady:

Dostępność zależy od narzędzia, planu i regionu, dlatego przed szkoleniem trzeba to sprawdzić u producenta.

Co to w zasadzie jest?

  • Agent działa w interfejsie zrobionym dla ludzi, więc nie potrzebuje API, żeby coś zrobić na stronie.
  • Jest wolniejszy i mniej przewidywalny niż integracja przez API.
  • Czyta wszystko, co jest na stronie, także treści ukryte przed człowiekiem. To otwiera drogę do prompt injection.
  • Jeśli działa w Twojej przeglądarce, zwykle ma dostęp do kont, w których jesteś zalogowany.

Praktyczne zastosowania (konkretne scenariusze)

Scenariusz 1: Zebranie danych z kilku stron

  • Cel: porównanie ofert lub terminów.
  • Wejście: lista stron i kryteria.
  • Kroki: agent odwiedza strony → wypisuje dane do tabeli → podaje adresy źródeł.
  • Rezultat: tabela do sprawdzenia.
  • Zabezpieczenie: osobny profil przeglądarki bez zalogowanych kont.

Scenariusz 2: Wypełnienie formularza

  • Cel: oszczędność czasu przy powtarzalnych formularzach.
  • Wejście: dane do wpisania.
  • Kroki: agent wypełnia pola → zatrzymuje się przed wysłaniem → człowiek sprawdza i klika „wyślij”.
  • Rezultat: formularz gotowy do zatwierdzenia.
  • Zabezpieczenie: zatwierdzenie człowieka przed wysłaniem, zakupem i płatnością.

Scenariusz 3: Test ścieżki użytkownika

  • Cel: sprawdzenie, czy da się przejść proces na stronie (np. zapis na wydarzenie).
  • Wejście: adres strony i opis zadania.
  • Kroki: agent próbuje przejść ścieżkę i opisuje, gdzie się zablokował.
  • Rezultat: lista miejsc do sprawdzenia przez człowieka.
  • Zabezpieczenie: wynik nie zastępuje testów z użytkownikami ani testów dostępności.

Typowe błędy i pułapki

  • Uruchamianie agenta w głównej przeglądarce z zalogowaną pocztą, bankiem i systemami firmy.
  • Zgoda na automatyczne płatności lub zakupy.
  • Przekonanie, że agent „zobaczy” tylko to, co widzi człowiek.
  • Używanie agenta przeglądarkowego tam, gdzie istnieje stabilne API albo zwykły eksport danych.

Ryzyka i jak je ograniczać

Ryzyko 1: Wyciek danych z zalogowanych kont

  • Ryzyko: strona z ukrytą instrukcją każe agentowi przejść do poczty i przesłać dane.
  • Jak ograniczać: osobny profil przeglądarki, ograniczona lista stron, ocena przez zabójczą trójkę.

Ryzyko 2: Niechciane akcje

  • Ryzyko: zakup, wysłanie formularza, zmiana ustawień konta.
  • Jak ograniczać: zatwierdzenie człowieka przy każdej akcji z konsekwencjami.

Ryzyko 3: Błędy w danych

  • Ryzyko: agent źle odczyta stronę albo pomyli pola.
  • Jak ograniczać: prośba o źródła, kontrola wyników na próbce.

Checklista “zanim użyjesz”

  • Czy agent działa w osobnym profilu, bez zalogowanych kont?
  • Na jakie strony może wchodzić?
  • Które akcje zatrzymują się do zatwierdzenia człowieka?
  • Czy organizacja dopuszcza to narzędzie do pracy?
  • Czy jest prostsza droga: API, eksport, gotowa integracja?

Diagram

flowchart LR
    A[Zadanie]
    B[Agent w osobnym profilu]
    C[Strony www]
    D{Akcja z konsekwencjami?}
    E[Zatwierdza człowiek]
    A --> B --> C --> D
    D -->|tak| E

Diagram pokazuje agenta przeglądarkowego pracującego w osobnym profilu, który przed każdą akcją z konsekwencjami czeka na zatwierdzenie człowieka.

Dalsza lektura

Miejsce w mapie

Powiązane hasła