
ブラウザ操作を「AI専用」に刷新する——PuppeteerからAgent-browserへの移行記 #ClaudeCode #AIエージェント #agent-browser #開発効率化
こんにちは、 「MAKO」 です。
「AIにブラウザを操作させたい——でも、なんか重い。なんか遅い。なんか壊れる」。そう思ったことはありませんか?私もずっとそう感じていました。そして先日、その悩みをまるごと解決する道具に出会いました。
この記事は、 AIと一緒にコンテンツを作りたいエンジニア・クリエイター に向けて書いています。非エンジニアの方にも、なるべく伝わるように書きますので、ぜひ最後まで読んでいただけたら嬉しいです。
前回の記事では、Amazonの書籍リンクを自動挿入する 「/amazon-book-linker」 スキルを紹介しました。
▼ 前回の記事はこちら
本を紹介したいだけなのに——/amazon-book-linker がリンク探しの手間を消し去った話
あの仕組みの裏側では、AIがブラウザを「代行操作」していました。道具として使っていたのは Puppeteer(をMCPサーバ経由でラップしたもの) でした。しかし運用を続ける中で、ある「欲」が芽生えてきたんです。
「もっと速く、もっとAIが扱いやすい道具はないのか?」
そこで出会ったのが、Vercel Labsが公開した 「agent-browser」 ——AIエージェント専用のブラウザ操作CLIです。今回は、この新しい道具への移行記をお届けします。
1. agent-browserとは?——AIのための「新しい目」
これまで私たちが使ってきたPuppeteerやPlaywrightは、もともと 「人間」がテストや自動化のために作った道具 でした。
例えるなら、 人間用の重機をAIに頑張って操作させていた ようなものです。重機は人間の手に合わせて設計されているから、AIにはどうにも扱いにくい。そりゃそうですよね。
agent-browser は、最初から 「AIエージェントが使うこと」 を前提に設計されています。
公式リポジトリ: vercel-labs/agent-browser(GitHub)
最大の特徴は、AIに「巨大なHTMLタグの塊」を読ませるのではなく、OSの読み上げ機能などに使われる 「アクセシビリティツリー」 (画面の構造を意味的に整理した情報)を活用して情報を渡す点にあります。
視覚障害のある方がスクリーンリーダーで「このページの見出しは何?ボタンはどこ?」を把握するための仕組み——それをAIの「目」として転用した設計です。AIにとって、これが本当に「読みやすい」のです。
2. なぜ「AI専用」だと効率的なのか?
移行の決め手は、二つの大きな改善でした。
① トークン消費の大幅な削減
AIにとって、WebページのHTMLは情報のゴミが多すぎます。<div> の入れ子、スタイル定義、広告タグ……AIの「記憶(コンテキストウィンドウ)」をどんどん浪費していきます。
実際に利用した事例では、 Playwright MCPで約7,800トークンを消費した操作が、agent-browserではわずか約1,400トークンで済んだ という報告があります。これは 約5.7倍の効率改善 、ケースによっては 90%以上のトークン削減 も可能です。なお、この値はあくまで個人検証の一例であり、ページ内容やモデル・環境によって異なります。
「同じお小遣い(トークン予算)で、5倍長くAIと試行錯誤できる」
……これって、凄くないですか?
【おすすめ書籍】
もっとシゴトがはかどる Python×Excel×AI 業務自動化の教科書
Amazonで詳細を見る
※評価4.0以上の物理本を厳選しています。
② 「セレクタ地獄」からの解放
Amazonのようなサイトは、HTMLの構造(CSSセレクタ)が頻繁に変わります。「昨日は動いたコードが今日は動かない……」そんな 「セレクタ地獄」 に怯える日々、ありませんでしたか?
agent-browserは、AIに対して要素を @e1, @e2 といった簡潔なIDで提示します。AIは要素の「役割」を意味的に理解できるため、壊れやすい複雑なセレクタを管理する手間が激減します。
3. Windows環境への導入手順——〈葛藤〉と〈解決〉の記録
〈葛藤〉設定が複雑そうで二の足を踏んでいた
正直なところ、最初は「Rustバイナリ?Chromeのセットアップ?なんだか面倒そう……」と腰が引けていました。新しい道具への乗り換えって、いつもこういう心理的ハードルがありますよね。「今のやり方でも動いてるし、まあいいか」という自分との葛藤です。
「え、またゼロから環境構築するの?やっぱり無理か……」
〈解決〉たった3コマンドで完結した
でも実際にやってみると、驚くほどシンプルでした。Windows x64向けのネイティブバイナリが用意されているため、特別な準備は不要です。
Step 1: グローバルインストール
npm install -g agent-browser
Step 2: Chrome for Testing のセットアップ
agent-browser install
これで Chrome for Testing(Google公式の自動化専用Chrome)が自動ダウンロードされます。既存のChrome、Brave、Playwright、Puppeteerのインストールも自動検出してくれるので、多くの場合はこのコマンドだけで完了です。
Step 3: Claude Codeなどのエージェント環境への統合
npx skills add vercel-labs/agent-browser
これだけで .claude/skills/agent-browser/SKILL.md にスキルが追加され、AIがagent-browserの全ワークフローを理解した状態になります。Claude Code以外にも、Cursor・Copilot・Gooseなど主要なAIコーディング環境と連携して利用できます。
4. 実際の操作フロー——3ステップの美しさ
手順は非常に洗練されています。

snapshot コマンドには便利なオプションが揃っています。

Rust製ネイティブCLIということもあり、起動が非常にキビキビしています。Node.jsの起動オーバーヘッドがなく、 「snapshot → 判断 → interact」の一サイクルが体感でも明らかに速くなった のを感じました。執筆中の「AIの考え待ち」時間が減り、リズムを崩さずに書き続けられる——これは思いのほか重要なことです。
5. 実際に動かして分かった「手応え」
特に進化を感じたのが、前回の amazon-book-linkerスキルの課題 だった 「Kindle版を避けて物理本だけを選ぶ」 という精度の部分です。
以前は「タイトルの文字列に『Kindle』が入っているか」を必死に解析させていましたが、アクセシビリティ情報を経由することで、AIが リンクの属性を正確に識別できるケースが増えた ように感じています。
さらに、 --annotate オプションが強力です。これは snapshot(テキスト情報)とは別に、 画像として要素を確認したい場合 に使うコマンドです。
agent-browser screenshot --annotate
# -> [1] @e1 button "Submit"
# [2] @e2 link "Home"
# [3] @e3 textbox "Email"
要素に番号を振ったスクリーンショット をAIに共有できます。テキストのアクセシビリティツリーでは捉えにくい「視覚的なレイアウト」や「アイコンボタン」も、画像として渡すことでAIが正確に理解できます。
初めてこれを使ったとき、AIが番号ラベルと要素を完璧に対応させて操作を完遂した瞬間——「相棒、やるじゃん!」と思わず声が出ました。
6. まとめ——AIとの対話は、より「軽く、深く」なる
Puppeteerが「人間用の道具をAIに貸し出していた」状態だとしたら、agent-browserは 「AIが自分の手足として自由に使いこなす道具」 です。
ブラウザ操作の基盤を刷新したことで、私の執筆ワークフローはより低コストで、かつ高精度なものへと進化しました。
【おすすめ書籍】
退屈なことはPythonにやらせよう 第2版 ―ノンプログラマーにもできる自動化処理プログラミング
Amazonで詳細を見る
※評価4.0以上の物理本を厳選しています。
今回の学び:道具を「AI専用」に変えるだけで、AIの識別精度は上がり、コスト(トークン)は下がる。
さて、これまで「アウトライン作成」「Amazonリンク挿入」「ブラウザ自動化」と、個別のスキルを一つずつ紹介してきました。
次回は、これらを一本の流れるような「統合執筆ワークフロー」としてまとめ上げる話 をしたいと思います。各スキルがどうバトンを繋ぎ、一気通貫で記事が出来上がっていくのか——その全体像を、いよいよお見せします!
少しでも「面白い」「役に立ちそう」と思ってくれたら、スキで教えてくださいね。
それでは、また次回の記事でお会いしましょう!
関連リンク: