Как создать браузерного AI-агента на Python — пошаговый гайд Machine Learning Mastery

وكلاء الذكاء الاصطناعي في المتصفح يتجاوزون الدردشات وواجهات برمجة التطبيقات — الآن يستطيع وكيل Python فتح مواقع الويب والنقر على الأزرار وملء النماذج تماماً كما يفعل المستخدم الحقيقي.

لماذا المتصفح وليس واجهة برمجة التطبيقات

تبدأ معظم البرامج التعليمية حول وكلاء الذكاء الاصطناعي بمكالمات واجهة برمجة التطبيقات. المشكلة هي أن الإنترنت الحقيقية منظمة بطريقة مختلفة: جزء ضخم من البيانات والوظائف المطلوبة مخفي خلف النماذج والمصادقة والصفحات الديناميكية — أماكن حيث لا تستطيع واجهة برمجة التطبيقات الرسمية ببساطة الوصول. لا توجد واجهة برمجة تطبيقات عامة لموقع المنافس؟ هل تحتاج إلى تسجيل الدخول والمرور عبر عدة خطوات نموذج؟ المكشطة الكلاسيكية لن تساعدك هنا.

نشرت Machine Learning Mastery دليلاً عملياً مفصلاً حول كيفية إنشاء وكيل متصفح في Python. الفرق عن مكشطة عادية أساسي: الوكيل لا يحلل HTML ثابتة، بل يرى الصفحة ويتصرف عليها — يتفاعل مع تغييرات الواجهة، ويتجنب عناصر الحماية البسيطة، ويحاكي سلوك المستخدم الحقيقي. هذا النهج هو ما يجعل وكلاء المتصفح أداة أتمتة عامة — مستقلة عما إذا كان الموقع أو الخدمة المحددة تمتلك واجهة برمجة تطبيقات رسمية.

كيفية عمل وكيل المتصفح

يتم بناء البنية من ثلاثة مكونات. الأول هو نموذج اللغة (GPT-4o أو Claude أو نموذج لغة كبير آخر): يقرأ وصف الصفحة ويقرر ما يجب فعله بعد ذلك. الثاني هو أداة التحكم في المتصفح، عادة ما تكون Playwright: تفتح الصفحات فعلياً وتنقر على العناصر وتدخل النصوص وتمرر الصفحات. الثالث هو طبقة التنسيق: الكود الذي ينقل المعلومات بين نموذج اللغة الكبير والمتصفح ويدير دورة التنفيذ.

تبدو دورة عمل الوكيل هكذا: استقبال المهمة كنص، فتح المتصفح، قراءة هيكل DOM للصفحة الحالية، ضغط وتصفية العناصر الأساسية، تمريرها إلى نموذج اللغة الكبير، الحصول على الإجراء التالي — النقر على زر، إدخال نص، التمرير لأسفل، اتباع رابط — والتكرار. تستمر الدورة حتى اكتمال المهمة أو الوصول إلى حد الخطوات.

الميزة الرئيسية: الوكيل غير مرتبط بمنطق صارم. هل تغيّر موقع الزر؟ هل تحرّكت عنصر واجهة؟ هل ظهرت خطوة جديدة؟ نموذج اللغة الكبير يتكيف ويجد ما هو ضروري حسب السياق — دون إعادة كتابة الكود. المهام النموذجية لوكيل المتصفح:

• ملء وإرسال النماذج على مواقع ويب عشوائية
• جمع البيانات من الصفحات التي تتطلب المصادقة
• مقارنة المنتجات والأسعار في الوقت الفعلي
• أتمتة المهام الروتينية في CRM و SaaS بدون واجهة برمجة تطبيقات رسمية
• اختبار end-to-end لواجهات الويب التي تحاكي سلوك المستخدم

الأدوات والمزالق

الجمع الأكثر شيوعاً هو مكتبة `playwright` للتحكم في المتصفح و SDK `openai` أو `anthropic` كـ "دماغ" الوكيل. يتجه المطورون بشكل متزايد إلى `browser-use` — مكتبة بها طبقة تنسيق جاهزة فوق LangChain و Playwright. فهي تقلل من كمية الكود وتتعامل مع معظم الحالات غير القياسية.

التعقيد الرئيسي لوكلاء المتصفح ليس تقنياً، بل تصميماً. كيف تصيغ المهمة بشكل صحيح حتى لا يتعطل الوكيل على صفحة غير متوقعة؟ كيف تتعامل مع captcha أو نافذة منبثقة أو إعادة توجيه إلى صفحة عنوان؟ الممارسة الجيدة هي إضافة تعليمات صريحة للحالات غير القياسية والمهل الزمنية لكل إجراء. نقطة أخرى: قراءة هيكل DOM للصفحات الكبيرة تستهلك الرموز بسرعة. يقوم المطورون ذوو الخبرة بتصفية DOM قبل تمريره إلى نموذج اللغة الكبير — محتفظين فقط بالعناصر التفاعلية والنصوص المرئية، وحذف البرامج النصية والأنماط والعلامات المساعدة.

ما معنى هذا

يحول وكلاء المتصفح أي موقع ويب إلى واجهة يمكن برمجتها بشكل محتمل. بالنسبة للمطورين، هذا رافعة أتمتة جديدة: المهام التي تتطلب ساعات من العمل اليدوي أو التكاملات المخصصة المكلفة يتم حلها الآن ببضع عشرات أسطر من Python والوصول إلى أي موفر نموذج لغة كبير. تستمر حاجز الدخول في الانخفاض — يمكن تجميع نموذج أولي عملي في مساء واحد.