ブラウザー操作を自動化！AIエージェント「browser-use」とは？

2024年12月27日

「browser-use」とは？

「browser-use」 は、AIエージェントをブラウザーに接続し、ウェブサイト操作を自動化するためのPythonライブラリです。
このツールは、以下のような特徴を備えています：

視覚 + HTML抽出: ページ内容を解析し、必要なデータを取得。
自動マルチタブ管理: 複数のタスクを同時に実行可能。
高いカスタマイズ性: 独自のアクションを登録・拡張できる仕組み。
自己修正機能: タスク中のエラーをAIが自動的に修正。
並列化: 複数のエージェントを効率よく同時実行。

これにより、手動では困難なウェブ上の複雑なタスクをAIエージェントが簡単にこなせるようになります。

「browser-use」の利用方法

前提としてPythonがインストールされている必要があります。
されていない場合は、Python公式サイトからインストールしてください。

1. インストール

「browser-use」のインストールは簡単で、以下のコマンドを実行するだけです。

pip install browser-use

LLMを利用するのための、Langchainのライブラリをインストールします。

pip install Langchain

さらにブラウザ操作の自動化のために、playwrightもインストールします。

playwright install

2. 環境設定

AIエージェントに必要なAPIキーを .env ファイルに設定します。

OPENAI_API_KEY=your_openai_api_key

your_openai_api_keyを実際のkeyに置き換えてください。
OpenAIのAPIキーはの取得方法は次の記事を参考にして下さい。

3. エージェントの作成と実行

以下のPythonコードを使えば、簡単なタスクをエージェントに実行させることができます。
今回は任天堂スイッチの価格を調べてもらいました。

from langchain_openai import ChatOpenAI
from browser_use import Agent
import asyncio

async def main():
    agent = Agent(
        task="AmazonでNintendo Switch(有機ELモデル)の価格を調べて教えて下さい",
        llm=ChatOpenAI(model="gpt-4o"),
    )
    result = await agent.run()
    print(result)

asyncio.run(main())

動作中の画面