Agent Browser

• AIエージェントが複数のページにわたってナビゲート、状態の読み取り、操作を行う必要があるマルチステップのブラウザワークフローを自動化したい場合。
• 確定的な要素選択が必要な場合 — refベースのターゲティングにより、XPathやピクセルベースのクリックの脆弱性を排除できます。
• DOMが動的に変化し、各操作後にスナップショットの再取得が必要な**複雑なシングルページアプリケーション（SPA）**を扱っている場合。
• セッションの分離が必要な場合 — 複数のブラウザコンテキスト（例：管理者とユーザー）を干渉なく同時に実行できます。

• 視覚的な分析のためにスクリーンショットやPDFが必要な場合 — 視覚的な検査に特化した組み込みブラウザツールを使用してください。
• ブラウザ拡張機能との統合が必要な場合 — Agent Browser は拡張機能の読み込みをサポートしていません。
• タスクが純粋に視覚的なものであり、ページ要素の操作を伴わない場合。

不安定なCSSセレクターや座標の代わりに、Agent Browserはアクセシビリティツリーをキャプチャし、各要素に安定した@ref ID（例：@e2）を割り当てます。AIエージェントはJSONの出力からこれらの参照を解析し、以降のすべての操作に使用することで、動的なページ更新が発生しても確実なターゲット指定を実現します。

クリック、入力、タイプ、ホバー、チェック/チェック解除、選択、ドラッグ、スクロール、キー押下など、すべてref駆動の操作をサポートします。また、テキスト、HTML、属性の取得や、表示状態・有効状態の確認を行う get および is コマンドも提供します。

--session <name> を使用して、複数の名前付きセッションを同時に実行します。各セッションは独自のブラウザコンテキストを維持するため、クッキーや状態の混入なしに、管理者ユーザーと一般ユーザーのロールを並行してテストするといったシナリオが実現できます。

state save でCookieとローカルストレージをJSONファイルに保存し、後から state load で読み込むことでログインフローを完全にスキップできます — 繰り返しの自動化実行に最適です。

不要なリクエスト（広告など）をブロックし、APIレスポンスをモックし、ネットワークアクティビティを検査する — すべてCLIから実行可能です。外部の干渉なしにテストやスクレイピングを行う際に役立ちます。

要素、テキストコンテンツ、URLパターン、ネットワークのアイドル状態、または任意のJavaScript条件を待機します。エージェントが次のステップに進む前に、安定したスナップショットを確保します。

AIエージェントが検索エンジンに移動し、refで識別された入力フィールドにクエリを入力し、結果が表示されるまで待機した後、結果要素からテキストとリンクを抽出します。スクリーンショットや手動でのセレクター調整は一切不要です。

2つの同時セッション（一方は管理者として認証済み、もう一方は一般ユーザー）が同じアプリに同時にアクセスします。各セッションはそれぞれ保存済みの認証状態を読み込み、並行したワークフローの検証を可能にします。

エージェントが一度ログインし、セッション状態を auth.json に保存します。その後の実行時にはその状態を読み込んでログインをスキップし、直接フォームの入力と送信を行います。

複雑なReactやVueアプリに対して、Agent Browserはナビゲーションや状態変化のたびに再スナップショットを取得し、操作前に参照が最新であることを確認するため、常に新鮮なアクセシビリティツリーをもとに動作します。