WebMCP मुळे React ॲप्स थेट AI एजंट्सना स्ट्रक्चर्ड टूल APIs उपलब्ध करून देऊ शकतात, ज्यामुळे नाजूक UI-scraping ऐवजी विश्वसनीय आणि UI-स्वतंत्र कॉल्स मिळतात. ही सुविधा Chrome 149 आणि त्यावरील व्हर्जनसाठी origin-trial मध्ये उपलब्ध आहे, आणि तुम्ही ती chrome://flags/#enable-webmcp-testing द्वारे सुरू करू शकता.

एजंट्सना क्लिक करायला शिकवण्यातील समस्या

AI एजंट्सना वेब पेजसोबत संवाद साधू देण्याचे सध्याचे बहुतेक प्रयत्न व्हिज्युअल संकेतांवर (visual cues) अवलंबून असतात. एक एजंट DOM पार्स करतो, कोणता घटक (element) बटण आहे याचा अंदाज लावतो, क्लिक्स सिम्युलेट करतो, स्क्रोल करतो आणि फॉर्म फील्ड्स भरतो. ज्या क्षणी एखादे बटण हलते, लेबल बदलते किंवा लेआउटमध्ये बदल होतो, त्या क्षणी स्क्रिप्ट फेल होते. हा दृष्टिकोन संथ आहे कारण ब्राउझरला प्रत्येक पायरी रेंडर करण्यासाठी प्रतीक्षा करावी लागते आणि नियमित डिझाइन बदल संपूर्ण ऑटोमेशन पाइपलाइन बिघडू शकते.

WebMCP मॉडेल पूर्णपणे बदलते

WebMCP हा Google Chrome द्वारे सादर केलेला एक नवीन वेब स्टँडर्ड आहे. एजंटला शोधण्यासाठी व्हिज्युअल सरफेस (visual surface) उपलब्ध करून देण्याऐवजी, एक पेज काही tools ची जाहिरात करते—जे पेज करू शकणाऱ्या नावांकित आणि टाईप्ड (typed) ऑपरेशन्स असतात. एक AI एजंट प्रथम विचारतो की “कोणती टूल्स उपलब्ध आहेत?”; पेज “searchProducts” किंवा “checkout” सारखी यादी देऊन उत्तर देते. त्यानंतर एजंट टूलच्या घोषित इनपुट स्कीमाशी (input schema) जुळणारा JSON पेलोड पाठवून टूलला कॉल करतो, उदा. searchProducts(query: "jacket"). ब्राउझर ही विनंती थेट पेजच्या JavaScript कडे वळवतो, जे कोणत्याही UI सहभागाशिवाय मूळ लॉजिक चालवते.

परिणामी, असा संवाद साधला जातो जो त्वरित असतो, CSS बदलांचा कोणताही परिणाम होत नाही आणि जोपर्यंत टूलची व्याख्या (definitions) स्थिर आहे तोपर्यंत कार्यान्वित राहतो.

डेव्हलपर्ससाठी महत्त्वाचे फायदे

  • वेग (Speed) – संवाद ब्राउझरच्या मेसेजिंग सिस्टममध्येच राहतो, ज्यामुळे क्लिक्स रेंडर करणे आणि पेज अपडेट्सची प्रतीक्षा करणे यांसारख्या प्रक्रियांना वेळ लागत नाही.
  • विश्वसनीयता (Reliability) – टूल्स त्याच फंक्शन्सना कॉल करतात जी साइट आधीच तिच्या स्वतःच्या UI साठी वापरत आहे, त्यामुळे डिझाइन बदलल्यामुळे API बिघडत नाही.
  • नियंत्रण (Control) – कोणते ऑपरेशन्स उपलब्ध करून द्यायचे, ते कोणते पॅरामीटर्स स्वीकारतील आणि प्रतिसादात (response) एजंटला काय दिसेल, हे डेव्हलपर्स ठरवतात.
  • UI स्वातंत्र्य (UI independence) – स्टाईलिंग, लेआउट किंवा कंपोनंट रिफॅक्टरिंगचा एजंटच्या फीचर कॉल करण्याच्या क्षमतेवर आता परिणाम होत नाही.

WebMCP सर्व्हर साईडवर वापरल्या जाणाऱ्या सध्याच्या MCP (Message-Channel-Protocol) ची जागा घेत नाही. MCP डेटा फेचिंग आणि बॅकएंड ऑर्केस्ट्रेशन हाताळणे सुरू ठेवते, तर WebMCP टॅबमधील थेट (live) संवाद हाताळते.

React डेव्हलपर्स सुरुवात कशी करू शकतात

React कोड इम्परेटिव्ह (imperative) JavaScript API किंवा डिक्लेरेटिव्ह (declarative) HTML फॉर्म-आधारित API वापरून टूल्स रजिस्टर करू शकतो. एक सामान्य पद्धत म्हणजे रजिस्ट्रेशन एका कस्टम हुक (custom hook) मध्ये गुंडाळणे:

  1. टूलचे नाव आणि थोडक्यात वर्णन देऊन रजिस्ट्रेशन फंक्शन कॉल करा.
  2. इनपुट स्कीमा प्रदान करा (उदाहरणार्थ, आवश्यक फील्ड्सचे वर्णन करणारा JSON schema).
  3. एक execute कॉलबॅक द्या जो अस्तित्वात असलेले बिझनेस लॉजिक चालवेल—जे सहसा बटण क्लिक केल्यावर ट्रिगर होणारे फंक्शनच असते.

जेव्हा हुक चालतो, तेव्हा ब्राउझर टूल पेजच्या WebMCP मॅनिफेस्टमध्ये जोडतो. मॅनिफेस्ट शोधणारा AI एजंट त्यानंतर DOM ला स्पर्श न करता टूलला कॉल करू शकतो.

रजिस्ट्रेशन कंपोनंट माउंट (mount) वेळी होत असल्याने, टूल्स विशिष्ट रूट्स किंवा फीचर फ्लॅग्सना मर्यादित (scoped) केले जाऊ शकतात, ज्यामुळे टीम्सना प्रोडक्शन विरुद्ध टेस्ट एन्व्हायरनमेंटमध्ये AI काय करू शकते यावर सूक्ष्म नियंत्रण मिळते.

खबरदारी आणि काय पाहावे

WebMCP अजूनही 'origin trial' मध्ये आहे. ते फक्त Chrome 149+ मध्ये काम करते आणि फ्लॅगद्वारे मॅन्युअली सक्षम करावे लागते.

पुढे काय

Google ने AI-नेटिव्ह वेब अनुभवांसह प्रयोग करू इच्छिणाऱ्या डेव्हलपर्ससाठी ही ट्रायल खुली केली आहे. ज्यांना रस आहे त्यांच्यासाठी पुढील पावले आहेत:

  • Chrome मध्ये फ्लॅग सक्षम करा आणि लक्ष्यित साइट रीलोड करा.
  • React कंपोनंटमध्ये साधे टूल रजिस्ट्रेशन जोडा आणि ब्राउझरच्या devtools मध्ये मॅनिफेस्ट दिसतो का ते पहा.
  • टूलला कॉल करण्यासाठी आणि प्रतिसाद तपासण्यासाठी AI क्लायंटची (उदाहरणार्थ, WebMCP प्रोटोकॉल फॉलो करणारी स्थानिक स्क्रिप्ट) चाचणी घ्या.
  • स्टेबल शिपिंगबद्दल अपडेट्ससाठी ट्रायलच्या स्टेटस पेजवर लक्ष ठेवा.

थोडक्यात सांगायचे तर (Takeaway): WebMCP React डेव्हलपर्सना त्यांच्या ॲप्सना AI एजंट्सद्वारे थेट कॉल करण्यायोग्य बनवण्याचा मार्ग देते, ज्यामुळे UI एलिमेंट्सना स्थिर, टाईप्ड सर्व्हिसेसमध्ये रूपांतरित केले जाते. हा बदल स्क्रीन-स्क्रॅपिंगचा मेंटेनन्सचा त्रास दूर करतो आणि खऱ्या अर्थाने AI-नेटिव्ह वेब ॲप्लिकेशन्सकडे जाण्याचा मार्ग मोकळा करतो—जर टीम्स प्रायोगिक Chrome एन्व्हायरनमेंटमध्ये काम करण्यास तयार असतील तर.