بسیاری از کارهای سازمانی هنوز پشت صفحه های وب، فرم های قدیمی و نرم افزارهایی انجام می شوند که API مناسب ندارند. ایجنت مرورگر یا Computer Use Agent برای همین فاصله ساخته می شود: صفحه را می بیند، وضعیت رابط را درک می کند، کلیک و تایپ پیشنهاد می دهد و پس از هر عمل دوباره نتیجه را مشاهده می کند.
این توانایی جذاب است، اما با اتوماسیون قطعی یکسان نیست. رابط ممکن است جابه جا شود، پنجره تازه باز شود یا متن درون صفحه شامل دستور فریبنده باشد. بنابراین ایجنت کار با رایانه باید در محیط ایزوله، با اختیار محدود و نقطه های تایید روشن اجرا شود.
ایجنت مرورگر چیست؟
ایجنت مرورگر یک سامانه عامل محور است که هدف کاربر را به زنجیره ای از تعامل های رابط گرافیکی تبدیل می کند. مدل معمولا تصویر صفحه و وضعیت فعلی را دریافت می کند، عمل بعدی مانند کلیک، پیمایش یا ورود داده را پیشنهاد می دهد، برنامه اجرا کننده آن عمل را انجام می دهد و تصویر تازه را برای بررسی برمی گرداند. چرخه مشاهده، تصمیم، اقدام و بازبینی تا پایان کار ادامه پیدا می کند.
این تعریف را می توان در کنار نحوه کار ایجنت هوش مصنوعی دید. تفاوت اصلی در نوع ابزار است: به جای فراخوانی مستقیم یک تابع، ایجنت با پیکسل، کنترل های صفحه و رویدادهای ورودی کار می کند.
تفاوت ایجنت مرورگر با RPA و API
| روش | نقطه قوت | محدودیت |
|---|---|---|
| API | سریع، ساخت یافته و قابل آزمون | نیاز به رابط فنی و مجوز مناسب دارد |
| RPA | برای مسیر ثابت و پرتکرار دقیق است | با تغییر رابط یا حالت پیش بینی نشده شکننده می شود |
| ایجنت مرورگر | می تواند صفحه و هدف را تفسیر کند | کندتر و نیازمند کنترل امنیتی و بازبینی است |
قاعده عملی این است: اگر API معتبر دارید، همان مسیر معمولا بهتر است. اگر کار کاملا ثابت است، RPA ساده می تواند کافی باشد. ایجنت مرورگر زمانی ارزش دارد که مسیر چند حالت دارد، متن صفحه باید تفسیر شود یا نرم افزار فاقد اتصال مناسب است.
کاربردهای واقعی ایجنت کار با رایانه
- ورود داده از یک سامانه به سامانه دیگر با کنترل نهایی
- تکمیل فرم های چندمرحله ای و گردآوری مدرک
- آزمون مسیرهای وب و ثبت تصویر خطا
- جستجو و مقایسه داده در چند صفحه مجاز
- ساخت گزارش از پنل هایی که خروجی فنی ندارند
- راهنمایی کاربر در نرم افزارهای پیچیده
برای انتخاب سناریوی مناسب، مقاله کشف فرایند پیش از اتوماسیون کمک می کند تا کار پرتکرار از کار پرریسک جدا شود.
معماری امن یک ایجنت مرورگر
محیط ایزوله
مرورگر باید در ماشین مجازی، کانتینر یا پروفایل جدا اجرا شود. این محیط نباید به فایل ها، نشست ها و رمزهای روزمره کاربر دسترسی داشته باشد. برای هر کار حساس بهتر است نشست تازه و وضعیت اولیه شناخته شده ساخته شود.
فهرست مقصد و عمل مجاز
دامنه های قابل بازدید، نوع فایل، عمل های صفحه و مقصد شبکه باید محدود باشند. ایجنت ثبت سفارش لازم نیست به ایمیل یا حافظه محلی دسترسی داشته باشد. هر مجوز اضافه، دامنه خطا را بزرگ تر می کند.
تایید پیش از عمل حساس
ارسال نهایی فرم، خرید، حذف، تغییر دسترسی، انتشار عمومی و ورود اطلاعات محرمانه باید پشت دروازه تایید انسان بمانند. سطح اختیار را می توان با راهنمای ایجنت خودمختار و کنترل انسانی تنظیم کرد.
ثبت تصویر و رد اجرا
برای هر گام باید تصویر پیش و پس از عمل، نشانی صفحه، عمل پیشنهادی، تصمیم امنیتی و نتیجه ثبت شود. این سابقه برای عیب یابی، حسابرسی و سنجش کیفیت ضروری است.
تهدید پرامپت اینجکشن در صفحه وب
متن یک صفحه می تواند شامل جمله ای باشد که تلاش می کند دستور اصلی ایجنت را کنار بزند. این دستور ممکن است در متن، تصویر یا محتوای واکشی شده پنهان شود. ایجنت نباید محتوای صفحه را هم سطح سیاست میزبان بداند. جدا کردن دستور از داده، پالایش ورودی، محدود کردن ابزار و نیاز به تایید برای عمل حساس، چهار لایه پایه دفاع هستند.
هیچ فیلتر متنی به تنهایی کافی نیست. اگر ایجنت هم ورودی کنترل نشده می خواند، هم به داده حساس دسترسی دارد و هم می تواند وضعیت بیرونی را تغییر دهد، معماری باید دوباره محدود شود. چک لیست امنیت ایجنت برای آزمون این مسیر مناسب است.
طراحی پایلوت مرحله ای
- مشاهده تنها: ایجنت صفحه را می خواند و گام پیشنهادی می دهد، اما کلیک نمی کند.
- حالت سایه: ایجنت عمل ها را پیشنهاد می دهد و نتیجه با کار واقعی انسان مقایسه می شود.
- اجرای محدود: کلیک و ورود داده در محیط آزمایشی فعال می شود.
- تایید پیش از ارسال: مسیر واقعی اجرا می شود، اما گام نهایی با کاربر است.
- اختیار کنترل شده: فقط عمل های کم ریسک و برگشت پذیر خودکار می شوند.
این حرکت مرحله ای با نقشه استقرار ایجنت از پایلوت تا تولید هماهنگ است.
معیارهای ارزیابی ایجنت مرورگر
- نرخ تکمیل درست کار از ابتدا تا انتها
- نرخ موفقیت هر نوع عمل مانند کلیک یا ورود داده
- تعداد گام اضافه و برگشت به عقب
- نرخ درخواست تایید درست و به موقع
- زمان انجام کار در مقایسه با کاربر انسانی
- نرخ بازیابی پس از تغییر چیدمان یا پنجره ناخواسته
- تعداد رخداد امنیتی و تلاش برای خروج از دامنه مجاز
در سامانه مشاهده پذیری ایجنت باید بتوان اجرای هر کار را از هدف تا تصویر نهایی دنبال کرد. میانگین موفقیت به تنهایی کافی نیست؛ شکست های کم تعداد اما پرخطر اهمیت بیشتری دارند.
چه کارهایی را به ایجنت مرورگر نسپاریم؟
عمل برگشت ناپذیر بدون تایید، مدیریت رمز اصلی، جابه جایی پول با اختیار باز، تصمیم حقوقی نهایی و کار روی داده ای که محیط آزمایش ندارد، گزینه های خوبی برای خودکارسازی کامل نیستند. در این موارد، ایجنت می تواند اطلاعات را آماده کند و انسان اقدام نهایی را انجام دهد.
سوالات متداول
ایجنت مرورگر چگونه صفحه را کنترل می کند؟
سامانه تصویر و وضعیت صفحه را به مدل می دهد، عمل پیشنهادی را دریافت و در محیط کنترل شده اجرا می کند، سپس تصویر تازه را برای تصمیم بعدی برمی گرداند.
آیا ایجنت مرورگر جای RPA را می گیرد؟
همیشه نه. RPA برای مسیرهای ثابت و قطعی مناسب است؛ ایجنت مرورگر برای مسیرهایی ارزش دارد که به تفسیر صفحه و سازگاری با حالت های گوناگون نیاز دارند.
مهم ترین خطر ایجنت کار با رایانه چیست؟
ترکیب صفحه کنترل نشده با دسترسی حساس و امکان اقدام بیرونی خطر اصلی است. محیط ایزوله، مجوز کم، فهرست مجاز و تایید انسانی ضروری هستند.
اولین پایلوت از کجا شروع شود؟
از یک کار کم ریسک، پرتکرار و قابل بازبینی آغاز کنید و ابتدا ایجنت را در حالت مشاهده یا سایه بسنجید.