Webcmdでブラウザエージェントのサイト再訪問を効率化する方法

ブラウザエージェントは、あるWebサイトで一度タスクを終えても、再び訪れた際に同じメニューや経路、制限を改めて探し直すことに時間を費やしがちです。Webcmdは、エージェントがサイトについて学んだことを保存して後で使えるようにし、この再訪時の問題に対処します。その価値は探索を減らすことにあり、エージェントの判断を肩代わりしたり、保存した経路が常に機能することを保証したりするものではありません。

最初のタスクで作られるサイトの地図

Webcmdは、OpenAI Codex、Claude Code、Hermes、OpenCodeなどのエージェントツール向けのスキルとして動作します。ユーザーが別のブラウザに乗り換える必要はなく、Google ChromeやBraveといった既存のデスクトップブラウザと組み合わせて使えます。エージェントがサイトを操作するにつれて、WebcmdはそのWebサイトのドメインについて、有用な経路、ページ構造、ショートカット、リクエストの制約、レート制限、注意事項を永続的なメモリとして蓄積します。

ただし、最初の訪問では探索が欠かせません。Redditを使った調査タスクでは、AIによるブラウザ自動化に関する最近の投稿を5件探し、各投稿のタイトル、サブレディット、短い要約、URLを返すようエージェントに指示しました。指示では、このタスクが読み取り専用であることも明記しました。エージェントは投稿を集める前に、サイト内でうまく機能する経路を見つける必要がありました。

▲ ドメインの経路と制約

こうして作られたメモリには、経路についての有用な区別が含まれていました。今回の調査では、Redditの新しいデスクトップ版ページよりも、旧インターフェースやRSSフィードの方がすっきりした経路になり得るという点です。Webcmdはこうしたサイト固有の手がかりを保存し、後のタスクで同じことを再発見せずに済むようにしました。保存される知識はサイト内の移動や情報取得の方法に関するものであり、現在の依頼に合った内容を見つけるのは引き続きエージェントの役割です。

古い経路をうのみにせずに再利用する

Redditでの2回目の実行では、エージェントはページ構造を一から探索する代わりに、保存済みのナビゲーションプロファイルを利用しました。Webcmdが経路と制約を提供する一方、行動の選択と結果の判断は基盤となるモデルが担い続けました。この区別は重要です。メモリは機能する経路の探索範囲を絞り込めますが、タスクそのものについての推論に取って代わるものではありません。

Webサイトが変わると、保存した経路は古くなることがあります。セレクター（エージェントがページ上の要素を特定するために使う識別子）は、レイアウトの更新後に正しい場所を指さなくなる可能性があります。Webcmdは、ページの構造であるDOM（ドキュメントオブジェクトモデル）の現在の状態と照らし合わせて経路を確認します。食い違いを見つけた場合は、古い経路に頼り続けるのではなく、保存した知識を修正し、使えなくなった経路を削除できます。

▲ 再検証されたブラウザ経路

この繰り返しのタスクは想定されたワークフローを示すものですが、Redditの例で時間やトークンがどれだけ節約されたかという測定値は示していません。実際の効果は、エージェントが対象のサイトとタスクに記録済みの手がかりを再利用できるか、そして変更されたページを確認して正しく更新できるかにかかっています。

ベンチマークが測っているもの

Webcmdは、100件のブラウザ自動化タスクからなるベンチマークBU-Bench V1でも評価されました。評価では、判定役にCodex GPT-5.4を、基盤となるブラウザエンジンにCloakBrowserを使いました。この比較でWebcmdは、掲載されたツールの中で最も高いタスク正解率、完了タスク当たりの推定コントローラーAPIコストの最小値、タスク当たりの平均エージェントターン数の最少値を記録しました。

この順位はBU-Bench V1におけるものであり、あらゆるWebサイトやエージェント環境に当てはまるわけではありません。プロジェクトのリポジトリは別途、繰り返し実行時のトークン消費を最大10分の1に抑えられるとうたっていますが、ベンチマークの表が示しているのはコントローラーAPIのコストであり、Redditのタスクでのトークン節約量を測ったものではありません。この2種類の根拠を分けて考えると、効果を評価しやすくなります。

導入の進め方

WebcmdはApache 2.0ライセンスのオープンソースです。繰り返し発生するブラウザ作業への導入を検討する開発者にとって、手順は単純です。

1. npm install -g @agentrhq/webcmdでパッケージをインストールし、対応するエージェント環境でwebcmd skills addを実行してスキルを追加します。
2. 最初の実行でサイトを探索させ、Webcmdが有用な経路と制約を記録できるようにします。調査タスクでは、投稿が依頼された作業の範囲外となるよう、読み取り専用にとどめるようエージェントに明示的に指示します。
3. 以降のタスクで保存済みのドメインメモリを再利用します。複数のエージェントを同時に動かす場合は、ProfilesとSpacesを使ってブラウザセッションと実行コンテキストを分離します。異なるアカウントでログインする場合も同様です。

ProfilesとSpacesは、経路のメモリとは別の問題に対処する機能です。同時に動くエージェント同士がウィンドウのフォーカスを奪い合ったり、互いのセッションに干渉したりするのを防ぎますが、個々のエージェントが正しい判断を下したかどうかを決めるものではありません。

まとめ

Webcmdの中心的な考え方は、Webサイトで機能する経路を保存しつつ、それが引き続き有効かを確認することです。Redditのタスクは、再訪したエージェントの探索の一部をそれによって省ける様子を示し、BU-Bench V1は正解率、コスト、ターン数について明確な条件での比較を示しています。ブラウザエージェントのワークフローで同じサイトへの再訪が大きな比重を占めるなら、まず読み取り専用のタスクから始め、最初の実行で地図を作らせ、その後の実行で地図が実際に使われ更新されているかを確認するとよいでしょう。