AI-native ಬ್ರೌಸರ್ ಆಟೊಮೇಷನ್ (automation) ಅಂದರೆ ಸ್ವಯಂಚಾಲಿತಗೊಳಿಸುವಿಕೆ, ವೆಬ್ನೊಂದಿಗೆ ಸಂವಹನ ನಡೆಸುವ ಏಜೆಂಟ್ಗಳನ್ನು (agents) ಡೆವಲಪರ್ಗಳು ಹೇಗೆ ನಿರ್ಮಿಸುತ್ತಾರೆ ಎಂಬುದನ್ನು ಮರುರೂಪಿಸುತ್ತಿದೆ. ಅಸ್ಥಿರವಾದ CSS ಸೆಲೆಕ್ಟರ್ಗಳ (selectors) ಮೇಲೆ ಅವಲಂಬಿತವಾಗುವ ಬದಲು, ದೊಡ್ಡ ಭಾಷಾ ಮಾದರಿಗಳಿಗೆ (LLMs) ಪುಟಗಳ ಬಗ್ಗೆ ವಿವೇಚನೆ ನಡೆಸಲು ಅವಕಾಶ ನೀಡುವ ಮೂಲಕ, ಹೊಸ ಸ್ಟ್ಯಾಕ್—Browser-Use, Stagehand, Steel ಮತ್ತು Playwright MCP—ಸೈಟ್ಗಳು ಬದಲಾದಾಗಲೂ ಸ್ಕ್ರಿಪ್ಟ್ಗಳು ಕಾರ್ಯನಿರ್ವಹಿಸುವಂತೆ ನೋಡಿಕೊಳ್ಳುತ್ತದೆ.
AI-native ಆಟೊಮೇಷನ್ ಏಕೆ ಮುಖ್ಯ
ಸಾಂಪ್ರದಾಯಿಕ ಪರಿಕರಗಳು ಸ್ಥಿರವಾದ ಸೆಲೆಕ್ಟರ್ಗಳ ಮೂಲಕ ಎಲಿಮೆಂಟ್ಗಳನ್ನು ಪತ್ತೆಹಚ್ಚುವ ಮೂಲಕ ಪುಟವನ್ನು ಸ್ಕ್ರೇಪ್ (scrape) ಮಾಡುತ್ತವೆ. ವೆಬ್ಸೈಟ್ ವಿನ್ಯಾಸ ಬದಲಾದಾಗ ಸ್ಕ್ರಿಪ್ಟ್ ಕೆಲಸ ಮಾಡುವುದನ್ನು ನಿಲ್ಲಿಸುತ್ತದೆ, ಇದರಿಂದಾಗಿ ದುಬಾರಿ ಪುನರ್-ಬರಹದ ಅಗತ್ಯವಿರುತ್ತದೆ. LLM-ಚಾಲಿತ ಏಜೆಂಟ್ಗಳು ಪುಟವನ್ನು ಓದುತ್ತವೆ, ಅದರ ಉದ್ದೇಶವನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳುತ್ತವೆ ಮತ್ತು ಯಾವ ಬಟನ್ ಕ್ಲಿಕ್ ಮಾಡಬೇಕೆಂದು ನಿರ್ಧರಿಸುತ್ತವೆ, ಆದ್ದರಿಂದ ವಿನ್ಯಾಸದ ಬದಲಾವಣೆಗಳ ನಡುವೆಯೂ ಅವು ಸುಗಮವಾಗಿ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತವೆ.
ಸ್ಟ್ಯಾಕ್ನ ನಾಲ್ಕು ಭಾಗಗಳು
| ಪರಿಕರ (Tool) | ಪ್ರಮುಖ ಭಾಷೆ | ಸೂಕ್ತ ಬಳಕೆ |
|---|---|---|
| Browser-Use | Python | ಅನೇಕ ಟ್ಯಾಬ್ಗಳನ್ನು ನಿರ್ವಹಿಸುವ ಮತ್ತು ಆಳವಾದ ವಿವೇಚನೆಯ ಅಗತ್ಯವಿರುವ ಏಜೆಂಟ್ಗಳಿಗೆ |
| Stagehand | TypeScript | Zod ಮೂಲಕ ಸ್ಕೀಮಾ ವ್ಯಾಲಿಡೇಶನ್ನೊಂದಿಗೆ ವಿಶ್ವಾಸಾರ್ಹ ಎಕ್ಸ್ಟ್ರಾಕ್ಷನ್ (extraction) ಬಯಸುವ ತಂಡಗಳಿಗೆ |
| Steel | Managed cloud service | ಸ್ಕೇಲೆಬಲ್ ರಿಮೋಟ್ ಬ್ರೌಸರ್ಗಳು, ಪ್ರೊಕ್ಸಿ ರೊಟೇಶನ್, ಪರ್ಸಿಸ್ಟೆಂಟ್ ಸೆಷನ್ಗಳು |
| Playwright MCP | Protocol server | ನೇರ ಬ್ರೌಸರ್ ಪ್ರವೇಶ ಬೇಕಾದ ಡೆಸ್ಕ್ಟಾಪ್ ಅಸಿಸ್ಟೆಂಟ್ಗಳಿಗೆ (ಉದಾಹರಣೆಗೆ, Claude Code, Cursor) |
ಪ್ರತಿಯೊಂದು ಘಟಕವು ವಿಭಿನ್ನ ಸಮಸ್ಯೆಯನ್ನು ಪರಿಹರಿಸುತ್ತದೆ. Browser-Use ರೀಸನಿಂಗ್ ಲೂಪ್ ಅನ್ನು (reasoning loop) ನಿಖರವಾಗಿ ನಡೆಸುತ್ತದೆ. Stagehand ಒಂದು ಟೈಪ್ಡ್ SDK ಅನ್ನು ಒದಗಿಸುತ್ತದೆ, ಇದು ಕಚ್ಚಾ ಪುಟದ ಡೇಟಾವನ್ನು ರಚನಾತ್ಮಕ ಆಬ್ಜೆಕ್ಟ್ಗಳಾಗಿ (structured objects) ಪರಿವರ್ತಿಸುತ್ತದೆ. Steel ಹಾರ್ಡ್ವೇರ್ ಅನ್ನು ಅಬ್ಸ್ಟ್ರಾಕ್ಟ್ (abstract) ಮಾಡುತ್ತದೆ, ಇದು ನಿಮಗೆ ಅಗತ್ಯಕ್ಕೆ ತಕ್ಕಂತೆ ಬಳಸಬಹುದಾದ ಬ್ರೌಸರ್ಗಳ ಸಮೂಹವನ್ನು ನೀಡುತ್ತದೆ. Playwright MCP ಬ್ರೌಸರ್ ಕ್ರಿಯೆಗಳನ್ನು ಯಾವುದೇ LLM ಕ್ಲೈಂಟ್ ಬಳಸಬಹುದಾದ ಪ್ರೊಟೊಕಾಲ್ ಆಗಿ ಪರಿವರ್ತಿಸುತ್ತದೆ.
ಇವು ಹೇಗೆ ಒಟ್ಟಾಗಿ ಕೆಲಸ ಮಾಡುತ್ತವೆ
AI ಏಜೆಂಟ್ ಅನ್ನು ಮೂರು ಪದರಗಳ ಮನೆಯೆಂದು ಭಾವಿಸಿ:
- Agent runtime – ಮೆದುಳು. Browser-Use "ಮುಂದೆ ಏನು ಮಾಡಬೇಕು" ಎಂಬುದನ್ನು ನಿರ್ಧರಿಸುತ್ತದೆ ಮತ್ತು ಪರಿಕರಗಳನ್ನು ಕರೆಯುತ್ತದೆ.
- Automation SDK – ಕೈಗಳು. Stagehand Zod ಸ್ಕೀಮಾಗಳಿಗೆ ಅನುಗುಣವಾಗಿ ಡೇಟಾವನ್ನು ನೀಡುವ ಪ್ರಿಮಿಟಿವ್ಗಳನ್ನು (click, type, extract) ಒದಗಿಸುತ್ತದೆ, ಇದು ಮುಂದಿನ ಹಂತದ ದೋಷಗಳನ್ನು ಕಡಿಮೆ ಮಾಡುತ್ತದೆ.
- Cloud infrastructure – ದೇಹ. Steel ನೈಜ ಬ್ರೌಸರ್ ಇನ್ಸ್ಟೆನ್ಸ್ಗಳನ್ನು ಒದಗಿಸುತ್ತದೆ ಮತ್ತು ಪ್ರೊಕ್ಸಿ ರೊಟೇಶನ್ ಮತ್ತು ಸೆಷನ್ ಕುಕೀಗಳಂತಹ ಸ್ಟೆಲ್ತ್ ಫೀಚರ್ಗಳನ್ನು ನಿರ್ವಹಿಸುತ್ತದೆ.
- Protocol server – ನರಗಳು. Playwright MCP ಅದೇ ಕೈಗಳನ್ನು ಬಾಹ್ಯ ಡೆಸ್ಕ್ಟಾಪ್ ಪರಿಕರಗಳಿಗೆ ಲಭ್ಯವಾಗುವಂತೆ ಮಾಡುತ್ತದೆ, ಇದರಿಂದ ಸ್ಥಳೀಯ IDE ರಿಮೋಟ್ ಬ್ರೌಸರ್ ಅನ್ನು ನಿಯಂತ್ರಿಸಲು ಸಾಧ್ಯವಾಗುತ್ತದೆ.
ನೀವು ಈ ಪದರಗಳನ್ನು ಸಂಯೋಜಿಸಬಹುದು. ಉದಾಹರಣೆಗೆ, Steel ನ ಕ್ಲೌಡ್ ಇನ್ಫ್ರಾಸ್ಟ್ರಕ್ಚರ್ ಮೇಲೆ Browser-Use ಏಜೆಂಟ್ ಲೂಪ್ ಅನ್ನು ಚಲಾಯಿಸಬಹುದು.
ಒಳಗಿನ ದಕ್ಷತೆಯ ತಂತ್ರಗಳು
ಇಡೀ HTML ಡಾಕ್ಯುಮೆಂಟ್ ಅನ್ನು LLM ಗೆ ಕಳುಹಿಸುವುದು ನಿಧಾನ ಮತ್ತು ದುಬಾರಿ. ಆಧುನಿಕ ಸ್ಟ್ಯಾಕ್ಗಳು ಮೂರು ವಿಧಾನಗಳಲ್ಲಿ ಪೇಲೋಡ್ ಅನ್ನು (payload) ಕಡಿಮೆ ಮಾಡುತ್ತವೆ:
- Filtered DOM – ಕೇವಲ ಇಂಟರಾಕ್ಟಿವ್ ನೋಡ್ಗಳನ್ನು (ಬಟನ್ಗಳು, ಲಿಂಕ್ಗಳು) ಮಾತ್ರ ಇರಿಸಿಕೊಳ್ಳಿ; ಉಳಿದವುಗಳನ್ನು ಕೈಬಿಡಿ.
- Accessibility snapshots – ಎಲಿಮೆಂಟ್ ರೋಲ್ ಮತ್ತು ಲೇಬಲ್ಗಳ ಸಂಕ್ಷಿಪ್ತ ರೂಪವಾದ ARIA ಟ್ರೀ ಅನ್ನು ಬಳಸಿ.
- Vision – ವಿನ್ಯಾಸದ ಸೂಚನೆಗಳು ಅತ್ಯಗತ್ಯವಾದಾಗ (ಉದಾಹರಣೆಗೆ, ಕ್ಯಾರೋಸೆಲ್ ಅನ್ನು ಸ್ಟ್ಯಾಟಿಕ್ ಗ್ರಿಡ್ನಿಂದ ಪ್ರತ್ಯೇಕಿಸುವುದು) ಸ್ಕ್ರೀನ್ಶಾಟ್ ಅನ್ನು ವಿಶುವಲ್ ಮಾಡೆಲ್ಗೆ ಕಳುಹಿಸಿ.
ಈ ಶಾರ್ಟ್ಕಟ್ಗಳು ಟೋಕನ್ ಬಳಕೆಯನ್ನು ಕಡಿಮೆ ಮಾಡುತ್ತವೆ, ವೆಚ್ಚವನ್ನು ನಿಯಂತ್ರಣದಲ್ಲಿಡುತ್ತವೆ ಮತ್ತು LLM ಬುದ್ಧಿವಂತಿಕೆಯಿಂದ ಕಾರ್ಯನಿರ್ವಹಿಸಲು ಅಗತ್ಯವಿರುವ ಸೆಂಮ್ಯಾಂಟಿಕ್ ಶ್ರೀಮಂತಿಕೆಯನ್ನು (semantic richness) ಉಳಿಸಿಕೊಳ್ಳುತ್ತವೆ.
ಸರಿಯಾದ ಪರಿಕರವನ್ನು ಆರಿಸಿಕೊಳ್ಳುವುದು
| ಸಂದರ್ಭ | ಶಿಫಾರಸು ಮಾಡಲಾದ ಸ್ಟ್ಯಾಕ್ |
|---|---|
| ಸ್ಥಿರವಾದ ಕಾರ್ಪೊರೇಟ್ ಪೋರ್ಟಲ್, ಹೆಚ್ಚಿನ ಪ್ರಮಾಣದ ರಿಗ್ರೆಷನ್ ಟೆಸ್ಟಿಂಗ್ | ಸಾಮಾನ್ಯ Playwright – ವೇಗವಾದದು, ಅಗ್ಗವಾದದ್ದು, ನಿರ್ಣಾಯಕ (deterministic) |
| ಅನೇಕ ಟ್ಯಾಬ್ಗಳನ್ನು ತೆರೆಯುವ, ಲಿಂಕ್ಗಳನ್ನು ಅನುಸರಿಸುವ ಮತ್ತು ಪುಟಗಳಾದ್ಯಂತ ವಿವೇಚನೆ ನಡೆಸುವ ಸ್ವಾಯತ್ತ ಏಜೆಂಟ್ | Browser-Use + Steel – ಕ್ಲೌಡ್ ಬ್ರೌಸರ್ಸ್ಗಳೊಂದಿಗೆ Python runtime |
| ಪರಿಕರವು ವೆಬ್ನಿಂದ ಡಾಕ್ಯುಮೆಂಟ್ಗಳನ್ನು ಪಡೆಯುವಾಗ ಬಳಕೆದಾರರು ಕೋಡ್ ಎಡಿಟ್ ಮಾಡಲು ಅನುಮತಿಸುವ ಡೆಸ್ಕ್ಟಾಪ್ ಅಸಿಸ್ಟೆಂಟ್ | Playwright MCP – ಬ್ರೌಸರ್ ಕ್ರಿಯೆಗಳನ್ನು LLM-ಅನುಕಂಪ ಹೊಂದಿರುವ ಪರಿಕರಗಳಾಗಿ ಪ್ರದರ್ಶಿಸುತ್ತದೆ |
ಮುಖ್ಯಾಂಶಗಳು
AI-native ಆಟೊಮೇಷನ್ ಎಂದರೆ ಅಸ್ತಿತ್ವದಲ್ಲಿರುವ ಪರಿಕರಗಳಿಗೆ ಒಂದೇ ಒಂದು ಬದಲಾವಣೆಯಲ್ಲ; ಇದು ಡೆವಲಪರ್ಗಳು ತಮ್ಮ ಅಗತ್ಯಗಳಿಗೆ ಅನುಗುಣವಾಗಿ ಪದರವನ್ನು ಆರಿಸಿಕೊಳ್ಳಲು ಅನುವು ಮಾಡಿಕೊಡುವ ಮಾಡ್ಯುಲರ್ ಸ್ಟ್ಯಾಕ್ ಆಗಿದೆ. ರೀಸನಿಂಗ್ ರನ್ಟೈಮ್ ಅನ್ನು ಲೀನ್ SDK, ಸ್ಕೇಲೆಬಲ್ ಬ್ರೌಸರ್ ಮತ್ತು ಪ್ರೊಟೊಕಾಲ್ ಬ್ರಿಡ್ಜ್ನೊಂದಿಗೆ ಜೋಡಿಸಿ, ಆಗ ನೀವು ವೆಬ್ ಬದಲಾದಾಗಲೂ ನಿಮ್ಮ ಬಜೆಟ್ ಮಿತಿಯಲ್ಲಿಯೇ ಕಾರ್ಯನಿರ್ವಹಿಸುವ ಏಜೆಂಟ್ಗಳನ್ನು ನಿರ್ಮಿಸಬಹುದು.