TextWeb, текстовый браузер, чтобы агенты заполняли веб-формы без скриншотов
Автор с Hacker News сделал TextWeb, браузер для своего агента, который превращает страницу в текстовую сетку. Так любая языковая модель может заполнять формы откликов на вакансии без дорогих моделей зрения, но результатов на реальных откликах пока нет.
Сделано со своим агентом
Что сделали
TextWeb загружает страницу в headless Chromium и вытаскивает для каждого видимого элемента его положение, текст и признак интерактивности. Затем раскладывает их по сетке из символов, которая сохраняет расположение элементов на экране. Интерактивные элементы получают номера, и агент даёт команды вроде click 3 или type 7 с нужным текстом. Такую страницу может прочитать любая языковая модель.
Что получилось
Каждая страница превращается примерно в 2-5 КБ текста вместо скриншота примерно на 1 МБ, поэтому модель зрения не нужна. Результатов на реальных откликах на вакансии в посте нет, автор просит отзывов о формате сетки.
На что обратить внимание
Инструмент ставится командой npm install -g textweb. Подключить его можно через MCP-сервер, описания для function calling, LangChain, CrewAI, HTTP API, командную строку или как библиотеку Node.js.
Пояснение
Headless Chromium это браузер Chromium, который работает без окна и которым управляет программа. Модели зрения читают скриншоты, но обработка картинок обходится дороже текста.
Кому пригодится
Разработчикам агентов, которые работают с веб-формами и хотят сократить расходы на скриншоты.
Попробуйте сами
Напиши небольшой инструмент, который показывает веб-страницу в виде текстовой сетки и перечисляет каждое поле формы, кнопку и ссылку с номером, чтобы LLM-агент мог заполнять формы без скриншотов. Проверь его на [URL формы или отклика на вакансию] с тестовыми данными и покажи заполненные поля. Никогда не отправляй форму.
Нужна помощь с запуском? Вступайте в сообщество AI Pack ↗
Источник: news.ycombinator.com ·