Browser agents нуждаются не в более мощных моделях, а в лучшем зрении
Browser Agents Don't Need Better Models. They Need Better Eyes. - Kushan Raj, Sarvam AI
Браузерным агентам мешает не слабость модели, а плохое представление страницы и отсутствие обратной связи после действий, по словам автора.
- Компактный Markdown вместо DOM — полный DOM страницы занимает около 20 000 токенов, а Markdown-представление автора около 1 800. Агент видит всю страницу целиком и может получать её вместе со скриншотом.
- Обратная связь после действий — рантайм отслеживает появившиеся и исчезнувшие элементы и сообщает агенту, что клик не сработал и какой элемент его перекрыл. Это позволяет агенту понять, где он ошибся, и перепланировать длинную последовательность шагов.
- Сравнение с Claude на примерах — на скачивании документа Claude, по словам автора, провёл около 2 минут, а прототип справился быстро. На бронировании Claude застрял на выборе даты, а прототип её выбрал.
- Планы на открытый код и API — автор собирается выложить проект в open source и, возможно, открыть API, где на вход идут URL и намерение, а на выход возвращается результат.
Кому полезно: тем, кто строит браузерных агентов и сталкивается с медленными и зацикливающимися сценариями на сложных сайтах.
Главы
Похожие доклады
Как создавать финансовых agents для работы в интернете
Близко по содержанию
Hill-climbing skills: как улучшать agents без изменения модели
AI Engineer World's Fair 2026
Близко по содержанию
Недостающий слой в агентном ИИ
AI Engineer World's Fair 2026
Близко по содержанию
Perception agents
AI Engineer World's Fair 2026
Близко по содержанию
