Browser Tool

これは何ですか？

Browser Tool は、Agent がブラウザを操作できるようにする機能です。Agent 自身が Web ページに移動し、ボタンをクリックし、フォームに入力し、画面をスクロールしながら、スクリーンショットを通じて現在のページを「見て」、次に何をすべきかを判断します。

業界では、この種の能力を Browser Use または Computer Use と呼ぶこともあります。MaiAgent の Browser Tool は Agent に組み込まれたバージョンで、有効化すれば会話の中で直接利用でき、外部サービスを別途連携する必要はありません。

何ができますか？

• ナビゲーションと探索：指定した URL を開き、リンクをたどってページを順に閲覧します

• ページ要素との操作：クリック、ダブルクリック、テキスト入力、キー操作、スクロール

• 視覚的な理解：操作のたびにスクリーンショットを取得し、Agent が画面を見て次のステップを判断します

• マルチステップタスク：ログイン → 検索 → 絞り込み → データ取得といった一連の連続したフロー

ツールや Code Interpreter とは何が違いますか？

	ツール（API / MCP）	Code Interpreter	Browser Tool
操作の対象	バックエンドサービス / API	サンドボックス内のプログラム環境	実際のブラウザと Web ページ
画面は見えるか	見えない（JSON レスポンスのみ）	サンドボックスの出力が見える	見える（スクリーンショット）
適したタスク	構造化データの照会、定義済みの API 呼び出し	計算、ファイル処理、ドキュメント生成	API はないが Web ページがあるサービス

簡単な判断基準：相手に API がある → ツール、計算や生成が必要 → Code Interpreter、操作できるのが Web ページのみ → Browser Tool。

適したシーン

• 公開された API はないものの、操作できる Web UI がある社内システム

• ログインや操作が必要なサードパーティサイトから情報を取得するケース

• ページやステップをまたぐ Web フローの自動化（検索、絞り込み、ダウンロード）

• 「人がブラウザ上で行うこと」であれば何でも、それを Agent に自動で任せたいケース

注意事項

• Claude モデルに最適化：Browser Tool は視覚的なスクリーンショットの読み取りをモデルの能力に依存しており、Claude シリーズを使用すると最も効果的です。その他のモデルでは効果が安定しない場合があります。

• 同一オリジンのページで最も効果的：クロスドメインの iframe や、厳格な CSP を持つ Web ページでは、一部の操作が制限される場合があります。

• 実行には時間がかかります：各ステップでページの読み込み、スクリーンショット、推論を行うため、連続した複数ステップのタスクは 1 回の API 呼び出しよりも遅くなります。合理的なシーンを設計してください。

何をすればよいですか？

1. Agent 設定に入る — 有効化したい AI アシスタントの設定ページで操作します

2. Browser Tool を有効にする — ツールまたは高度な機能のエリアで有効化します

3. Claude モデルの使用を推奨 — 最適な視覚読み取り効果を得るため

4. テスト — 会話の中で Agent に Web ページ操作が必要なタスクを実行させ、ブラウザパネルが正しく表示・操作できることを確認します