Apa iku panggunaan komputer, lan kena apa penting? Panggunaan komputer iku gagasan prasaja kanthi implikasi sing amba: tinimbang njaluk model mangsuli pitakon, kita njaluk model ngoperasèkaké piranti lunak—mbukak situs web, ngisi formulir, ngeklik runtutan alur kerja, lan ngrampungaké tugas saka wiwitan nganti pungkasan kanthi otonom.
Iki mbukak akèh tugas nyata sing saiki kapérang ing manéka antarmuka, kayata pamésanan saka wiwitan nganti pungkasan, checkout e-commerce, perencanaan lelungan mawa akèh langkah, lan alur kerja back-office sing ora nduwèni padanan API sing trep. Iki dudu masalah anyar. Sing anyar yaiku masalah kasebut saiki bisa dirampungaké nganggo model serbaguna.
Sistem anyar saka Anthropic lan OpenAI wis nduduhaké agen sing ora mung tumindak, nanging uga nggunakake nalar kanggo mangertèni status, pulih saka kasalahan, lan langsung ngrancang solusi khusus kanggo saben tugas. Iki ndadèkaké browser minangka lingkungan eksekusi umum kanggo agen, nanging uga langsung nuwuhaké pitakon rancangan: sepira akèhé lingkungan kasebut sing kudu dibukak marang model?
Sistem awal njawab kanthi mbungkus browser dadi sakumpulan tumindak aman sing tetep lan wis ditemtokake. Kaya sing bakal dijlèntrèhaké ing tulisan iki, pendekatan kasebut wis nyedhaki watesé.
Nalika mbangun agen browser, ana naluri sing wis lumrah: aja percaya banget marang model.
Mula, browser kita bungkus. Kita nyedhiyakake alat sing wis ditemtokake kaya click, type, scroll, select, lan read_text. Kita nyederhanakake Document Object Model (DOM). Kita nyuda ruang tumindak. Kita ngupaya supaya perilaku gampang dimangertèni lan dikendhalèkaké liwat abstraksi sing kita rancang.
Iki minangka titik wiwitan sing lumrah. Nanging, iki uga saya cetha dadi arsitektur jangka panjang sing klèru.
Nalika model tercanggih saya apik, masalahé ora mung amarga model kekurangan alat. Masalahé, kita meksa model makarya liwat abstraksi sing mbuwang kakehan unsur saka sistem dhasaré. Kita ngringkes lingkungan sing ruwet lan dinamis dadi antarmuka tumindak sing tetep, banjur njaluk model supaya tetep makarya kanthi apik senajan akèh informasi ilang.
Kompromi kasebut saya ora narik kawigatèn.
Owah-owahan sing lagi kita jajaki gampang dijlèntrèhaké, nanging akibaté gedhé. Tinimbang nganggep agen minangka pamilih tumindak sing wis ditemtokake, kita nganggep agen minangka panyintesis program sing makarya ing runtime sing diwatesi.
Model saiki wis pinter banget lan ora mbutuhake pager pengaman abstrak gawéan sampeyan—model mbutuhake ruang tumindak sing pepak kanggo ngrancang, nglakoni, lan ngiterasi tugas nganti tujuané kawujud.
Tulisan iki ngrembug owah-owahan saka otomatisasi browser sing kebak abstraksi menyang panggunaan komputer sing diwatesi, lan apa waé sing owah nalika sistem dirancang kanthi cara iki.
Masalahé dudu amarga antarmuka tumindak tetep iku klèru sacara konseptual. Masalahé, web ora manut marang antarmuka kasebut.
Antarmuka modhèren dibangun nganggo React, Vue, lan Angular, kanthi pembaruan status asinkron, sistem prastawa sintetis, lan widget pihak katelu sematan sing ana ing iframe lintas-origin kanthi siklus uripé dhéwé. Wrapper sing kandha “ketik ing kolom iki” mung bener yen kaca kasebut sarujuk karo definisi sampeyan bab ngetik. Akèh kaca ora sarujuk. Nyetel nilai kanthi langsung kerep ngliwati sakabèhé deteksi owah-owahan saka framework. Kolom input katon wis kaisi. Validasi ora tau dipicu. Formulir tetep ora bisa digunakake.
Iki bisa ditambal. Sampeyan bisa nambah kasus khusus kanggo input React, ngirim prastawa blur sawisé focus, lan ngentèni jaringan meneng sadurungé maca status. Saben tambalan bener kanggo kasusé dhéwé. Nanging yen diklumpukaké, tambalan kasebut dadi sistem sing saya angèl diopèni lan saya khusus mung kanggo situs sing wis tau ditemoni.
Masalah sing luwih jero yaiku sampeyan ngode asumsi babagan carané interaksi kuduné makarya menyang lapisan abstraksi, banjur nemokaké yèn web nduwèni asumsi sing béda.
Coba delengen formulir pambayaran saka Stripe utawa Adyen sing disemataké ing iframe lintas-origin. Wrapper sampeyan ora bisa ngaksesé kanthi langsung amarga ana ing origin sing kapisah. Alat read_text sampeyan ora bisa mirsani status internalé. Alat type sampeyan ora bisa ngakses kolom inputé. Agen adhedhasar wrapper bakal mandheg ing kéné. Abstraksi kasebut dirancang kanggo dokumèn utama. Nanging tugas nyata ana ing papan sing ora bisa dideleng abstraksi.
Ora cocog sing padha uga katon ing alur sing luwih samar. Dropdown sing dikendhalèkaké framework bisa waé babar pisan ora nanggapi klik langsung, amarga unsur sing katon dudu kontrol sing satemené. Bisa uga perlu runtutan prastawa keyboard kanggo micu transisi status ing dhasaré. Saka njaba, UI katon bisa diklik. Abstraksi mréntahaké “klik”. Ora ana sing kedadéan.
Utawa coba delengen alur modal mawa akèh langkah, nalika pembaruan DOM sing katon luwih alon tinimbang owah-owahan status internal. Tumindak sabanjuré sing bener gumantung marang transisi status sing durung kacermin ing unsur sing bisa dideleng wrapper. Agen adhedhasar wrapper pungkasane tumindak kesusu utawa maca status lawas, amarga makarya adhedhasar gambaran sistem sing ora pepak.
Ing saben kasus, abstraksi ndhelikaké sinyal sing satemené dibutuhake agen.
Model sing makarya ing tataran luwih cendhèk—mriksa DOM aktif, nggunakake nalar kanggo mangertèni wates frame, lan nyintesis runtutan interaksi kanggo lumah kasebut—bisa ngatasi kahanan iki. Dudu amarga model mesthi luwih pinter. Nanging amarga model bisa ngakses informasi sing sadurungé dibuwang.
Owah-owahan sing lagi diupayakake gampang dijlèntrèhaké: tinimbang njaluk model milih tumindak sing wis ditemtokake, kita menehi lumah eksekusi tataran ngisor lan matesi lumah kasebut nganggo kabijakan runtime, dudu rancangan abstraksi.
Pilihan rancangan iki asalé saka owah-owahan industri sing luwih amba, sing wiwit ngunggulaké alat primitif tataran ngisor—alat sing migunakaké kemampuan alami agen kanggo mbeneraké tumindak nalika runtime lan ngasilaké kode bermutu, tinimbang alat khusus hard-coded sing pancèn tangguh nanging nyuda kemampuan model kanggo adaptasi karo lingkungan sing béda.
Coba delengen kasilé Claude Code dadi pilihan utama ing kothak piranti akèh pangembang, uga owah-owahan industri sing luwih amba menyang agen adhedhasar terminal. Kaluwihan paling gedhé Claude Code dudu modelé, nanging harness tataran ngisoré. Mènèhi alat sing luwih sithik, luwih modular, lan tatarané luwih ngisor marang model—yaiku terminal—ngasilaké kinerja panggilan alat sing luwih apik, mligi amarga agen bisa nggunakake nalar lan nggawe skrip khusus kanggo tugas sing diadhepi, tinimbang nyoba nganggo alat umum sing ngebaki jendhela kontèks.
Ing praktik otomatisasi browser, iki ateges model bisa langsung mriksa status kaca aktif, ngliwati frame, lan ngrancang kode interaksi khusus kanggo antarmuka saiki, tinimbang mapanaké kabèh menyang sakumpulan tumindak gawéan sing tetep.
Model ora manèh mung tumindak kaya pamilih, nanging luwih kaya panyipta runtime. Model mriksa status saiki, nggunakake nalar kanggo mangertèni antarmuka, lan nyintesis logika interaksi kanggo kahanan kasebut. Model bisa ngrancang runtutan mawa akèh langkah, adaptasi karo alur sing ora lumrah, lan ngesahaké asil sadurungé nerusaké. Nalika tumindak gagal, model bisa ndeleng kasalahan dhasaré lan mbeneraké awaké dhéwé. Iki luwih kuwat lan luwih beboyo—nanging wujudé luwih cedhak karo masalah sing nyata.
Sing wigati, mbusak lapisan abstraksi ora ndadèkaké sistem kurang disiplin. Disipliné mung dipindhah.
Pakaryan sing biyèn ana ing rancangan wrapper lan penanganan kasus pinggiran dipindhah menyang telung papan: prompt (sing dadi wujud pelatihan operasional), runtime (sing ngetrapaké wates kayata cakupan navigasi, tumindak sensitif, lan perilaku nyoba manèh), lan lapisan evaluasi (sing ora mung mbiji apa tugasé kasil, nanging uga apa langkah-langkah antarané bener). Abstraksi rapuh sing luwih sithik. Sistem ing sakupengé sing luwih kuwat.
Salah siji asil saka owah-owahan iki yaiku kode produk kerep dadi luwih prasaja, sanajan kapabilitas sistem sakabehe saya mundhak. Tinimbang ngode pola interaksi dadi wrapper sing bisa digunakake maneh, agen nyintesis perilaku nalika runtime. Sampeyan cukup ngopèni sakumpulan cilik primitif sing kuwat lan lingkungan eksekusi sing diwatesi, tinimbang terus nambah manéka alat khusus lan logika kanggo kasus pinggiran.
Iki uga ngowahi cara sistem nindakake generalisasi. Agen adhedhasar wrapper bisa nindakake generalisasi kanthi apik kanggo tugas sing padha karo wrapper sing wis digawe. Agen kanthi runtime sing diwatesi bisa nindakake generalisasi kanggo tugas sing nggunakake landhesan eksekusi sing padha, sanajan antarmuka sing katon béda.
Contoné, interaksi karo formulir telusuran, alur pamésanan, utawa kaca setelan bisa katon béda banget ing tataran UI. Nanging ing dhasaré, kabèh nduwèni pola sing padha: maca status, micu prastawa, ngesahaké asil, lan nangani pembaruan asinkron. Sistem sing makarya ing tataran kasebut luwih gampang ditrapaké ing manéka tugas.
Komponèn sing bisa digunakake maneh dudu dhaptar tumindak, nanging kemampuan model kanggo mriksa status, tumindak kanthi aman, lan verifikasi asil.
Piwulang sing paling cetha saka pakaryan iki yaiku keandalan ora asal saka menehi luwih akèh fungsi pambiyantu marang model. Keandalan kerep asal saka primitif sing luwih sithik nanging luwih kuwat, lan diwatesi kanthi cara sing trep. Pambiyantu sing kakehan bakal nandur asumsi permanèn babagan carané tugas kudu ditindakake. Watesan nemtokake tapel wates operasi sing aman lan ngidini model nemokake solusi lokal sing luwih apik.
Lumah eksekusi sing luwih kuwat uga mbutuhake model keamanan sing luwih landhep. Nalika agen ora diwatesi manèh mung ing sakumpulan cilik tumindak sing wis ditemtokake, agen kasebut satemené makarya langsung ing piranti lunak nyata. Iki langsung ngowahi profil risikoné.
Ana patang prakara sing kudu digatèkaké nalika ngrancang:
Paparan data. Yen agen sesambungan karo antarmuka nyata, agen kasebut kerep nemoni informasi sensitif. Mula, masking lan kontrol akses kudu ditindakake kanthi disiplin. Data mung kena dituduhake nalika perlu kanggo eksekusi, déné log lan jejak kudu ditangani kanthi ngati-ati supaya observabilitas ora malah dadi pérangan paling sensitif ing sistem.
Cakupan eksekusi. Agen sing kuwat ora kena makarya sawenang-wenang. Ing praktiké, iki ateges matesi papan sing bisa dituju, domain sing bisa diakses, lan sistem sing éntuk diinteraksi. Watesan kasebut kudu dileksanakake ing tataran runtime, dudu mung dadi paugeran ing prompting.
Kapercayan marang lingkungan. Antarmuka modhèren bisa ngemot instruksi, kontèn, utawa alur sing nasaraké utawa kanthi aktif nyerang. Injeksi prompt liwat kontèn kaca minangka lumah serangan sing nyata. Sistem mbutuhake hierarki instruksi, pamriksa validasi, lan syarat mandheg sing cetha supaya agen ora nuruti pandhuan sing ora dikarepaké.
Spektrum otonomi. Ora kabèh tumindak kudu otonom kanthi kebak. Ing akèh lingkungan produksi, otonomi perlu dianggep minangka spektrum. Sistem bisa banget agentik nalika njelajah lan nglakoni eksekusi, nanging tetep mbutuhake persetujuan kanggo kategori tumindak tartamtu.
Prinsip dhasaré prasaja: menehi daya luwih gedhé marang model mbutuhake sistem ing sakupengé sing luwih kuwat. Otonomi tanpa kabijakan durung siyap kanggo produksi.
Kita mandheg takon: tumindak browser apa sing trep kanggo disedhiyakake?
Kita wiwit takon: apa sing bisa ditindakake kanggo menehi ruang tumindak sing pepak marang model—lan kepriyé carané nggawe kabijakan runtime ing sakupengé supaya tetep aman?
Sudut pandang anyar kasebut ngowahi apa sing dianggep penting. Taksonomi tumindak lan kapepakan wrapper dadi kurang penting. Kabijakan runtime, observabilitas, lan evaluasi saben langkah dadi luwih penting. Kapabilitas model lan rancangan sistem ora bisa dadi gegantiné siji lan sijiné. Nalika model saya apik, peran sistem dadi saya penting, dudu saya suda.
Agen browser sing kasil ing demo kerep sukses amarga tugasé winates lan lingkungané ndhukung. Sistem produksi mbutuhake pendekatan liya: eksekusi sing diwatesi, perilaku sing dilengkapi instrumentasi, lan evaluasi sing bisa mbédakaké asil sing bener saka asil sing mung kebeneran.
Kurangi rancangan wrapper. Tingkatna rekayasa sistem.
Sanajan fokus kita ana ing agen browser, iki nuduhaké cara mikir sing luwih amba babagan panggunaan komputer minangka disiplin sistem.