Browser Tool

這是什麼？

Browser Tool 讓 Agent 能操控瀏覽器：自己導航到網頁、點擊按鈕、填寫表單、捲動畫面，並透過螢幕截圖「看見」當下頁面，再決定下一步要做什麼。

業界也常稱這類能力為 Browser Use 或 Computer Use。MaiAgent 的 Browser Tool 是內建在 Agent 上的版本，啟用後對話中就能直接使用，不需要額外串接外部服務。

能做什麼？

• 導航與探索：開啟指定 URL、跟著連結逐頁瀏覽

• 與頁面元素互動：點擊、雙擊、輸入文字、按鍵、捲動

• 視覺理解：每次操作後擷取截圖，Agent 看畫面決定下一步

• 多步任務：登入 → 搜尋 → 篩選 → 取得資料這類連續流程

跟工具、Code Interpreter 有什麼不同？

	工具（API / MCP）	Code Interpreter	Browser Tool
動作對象	後端服務 / API	沙盒中的程式環境	真實瀏覽器與網頁
看得到畫面嗎	看不到（只有 JSON 回應）	看得到沙盒輸出	看得到（截圖）
適合的任務	結構化資料查詢、定義好的 API 呼叫	計算、處理檔案、產文件	沒有 API 但有網頁的服務

簡單判斷：對方有 API → 工具；要算東西／產檔 → Code Interpreter；只有網頁可以操作 → Browser Tool。

適合的場景

• 沒有公開 API 的內部系統，但有 Web UI 可以操作

• 從第三方網站抓取需要登入或互動的資訊

• 自動化跨頁面、跨步驟的網頁流程（搜尋、篩選、下載）

• 任何「人在瀏覽器上會做的事」，但你想交給 Agent 自動完成

注意事項

• 針對 Claude 模型最佳化：Browser Tool 對視覺截圖的判讀依賴模型能力，使用 Claude 系列效果最佳，其他模型可能效果不穩。

• 同源頁面效果最佳：跨域 iframe、嚴格 CSP 的網頁可能有部分操作受限。

• 執行需要時間：每一步都要載入頁面、截圖、推理，連續多步任務會比一次 API 呼叫慢，請設計合理的場景。

我需要做什麼？

1. 進入 Agent 設定 — 在你想啟用的 AI 助理設定頁

2. 開啟 Browser Tool — 在工具或進階能力區啟用

3. 建議使用 Claude 模型 — 取得最佳的視覺判讀效果

4. 測試 — 在對話中請 Agent 執行一個需要操作網頁的任務，確認瀏覽器面板能正確顯示與互動