コーディングエージェントに Web 画面の確認を任せようとすると、最初の一手で詰まります。ページを読ませようとして HTML をそのまま渡せば、数千トークンがあっという間に消えます。CSS セレクタを書いて要素を指定させれば、ページが少し変わるだけで壊れます。座標でクリックさせれば再現性がありません。そしてログインが必要な画面に進むなら、認証情報をどう渡すかという問題が残ります。
対策を探し始めると、今度は選択肢の多さで手が止まります。MCP サーバとして提供されるもの、Python ライブラリとしてエージェントループごと内包するもの、TypeScript SDK としてアプリコードに組み込むもの。どれも「AI にブラウザを操作させる」と書かれていますが、自分のエージェント構成のどこに差し込むものなのかが読み取れず、比較軸が定まりません。
この領域に、Vercel Labs が別のアプローチを置いています。agent-browser は、ページをアクセシビリティツリーのコンパクトなテキストとして読み、各要素に付いた @e1 のような参照(ref)に対して操作する、1 コマンド 1 操作のネイティブ CLI です。エージェントループはツール側に持ちません。次に何をするかの判断は、呼び出し側のエージェントに残ります。
本記事では、agent-browser の操作モデル・コマンドの対応範囲・セッション永続化・セキュリティ設計・類似 OSS との違いを整理し、採用判断の軸を示します。なお本記事は公開ドキュメント(README・agent-browser.dev)と GitHub API の取得値に基づく整理であり、動作検証は含みません。
AIエージェントにブラウザ操作を任せるときにぶつかる3つの壁
エージェントにブラウザを渡す構成を考えると、技術的な論点は次の 3 つに集約されます。どのツールを選ぶかという問いは、結局この 3 つのどれをツール側に任せ、どれを自分の実装責任として引き受けるかという配分の問題になります。
- コンテキスト消費: ページの DOM をそのまま読ませると、1 回の読み取りでコンテキストウィンドウの相当部分を消費します。agent-browser の公式ドキュメントは「Why refs?」の節で、スナップショットが約 200〜400 トークン、フル DOM が約 3,000〜5,000 トークンという見積りを示しています(agent-browser 公式サイト)。ベンチマーク手法や実測結果の記載はないため、あくまで公式が提示する目安として読む必要があります。
- 要素指定の壊れやすさ: CSS セレクタはマークアップの変更で壊れ、座標指定はレイアウトの揺れで再現性を失います。エージェントが自律的に進む前提では、要素の指定方法そのものが失敗の主要因になります。
- 安全性: エージェントは任意のページを開き、フォームに入力し、外部へ通信できます。読み込んだページの内容に指示文が埋め込まれていれば、それがそのままモデルへの入力になります。認証情報の扱いと外部送信の制御は、機能の話ではなく導入可否の話です。
業務プロセス全体として AI によるブラウザ操作をどこまで任せられるかという上流の論点は、AIブラウザとは|業務活用の可能性と現時点の限界で整理しています。本記事はその下流、つまり実装ツールの選定に焦点を置きます。
agent-browserとは|Vercel Labs製のブラウザ操作CLI
vercel-labs/agent-browser は、README が「Browser automation for AI agents: open pages, read them as an accessibility tree, and act on elements from the shell.」と定義しているとおり、AI エージェント向けのブラウザ自動化ツールです。ページを開き、アクセシビリティツリーとして読み、シェルから要素に対して操作する、という流れをそのまま CLI のインターフェースにしています。Vercel Labs のプロダクトとして公開されており、公式ドキュメントは agent-browser 公式サイト にまとまっています。
README は自らを「ネイティブ Rust CLI が AI エージェントに 1 コマンドずつ運転できるブラウザを与えるもの」と説明しています。ブラウザはコマンド間で開いたままになるため、1 ステップが 1 回の短いシェル呼び出しで済みます。
2026年11月16日時点のリポジトリ基本情報
項目 | 値 |
|---|---|
リポジトリ | vercel-labs/agent-browser |
スター数 | 51,728 |
フォーク数 | 3,620 |
主要言語 | Rust |
ライセンス | Apache-2.0 |
最終 push | 2026-11-15 |
公開(作成)日 | 2026-01-11 |
最新リリース | v0.43.0(2026-11-12) |
open issues | 588 |
公式サイト |
公開から約 10 か月でスター 51,728 に達しており、アーカイブもフォークもされていない現役のリポジトリです。ライセンスは Apache-2.0 が設定されています。一方でバージョンは 0.x 系であり、open issues は 588 件あります。この点は採用判断に直結するため、後述の判断材料のセクションで改めて取り上げます。
配布形態は、npm のグローバルインストール、Homebrew、npx による単発実行の 3 通りが README に記載されています。バイナリは macOS(ARM64 / x64)、Linux(ARM64 / x64、glibc / musl)、Windows(x64)向けにネイティブ提供され、npm パッケージがホストに応じて適切なバイナリを選びます。
CLI・デーモン・CDPの3層構成
agent-browser の挙動を理解する鍵は、CLI が直接ブラウザを操作していない点です。README の「How it works」によれば、CLI は各コマンドをバックグラウンドのデーモンに送り、デーモンが Chrome DevTools Protocol(CDP)経由でブラウザを制御します。デーモンは最初のコマンドで起動し、--session ごとに専用のデーモンとブラウザを持ちます。
この構成が「1 ステップ = 1 シェル呼び出し」を成立させています。エージェントは agent-browser click @e1 のような短いコマンドを発行して結果を受け取るだけで、ブラウザの起動・接続・状態保持を自分で管理する必要がありません。既定ではヘッドレスブラウザを 1 時間無コマンドで閉じて終了し、セッション永続化が設定されていれば状態を先に保存します。
既定ブラウザは Chrome for Testing で、起動中の Chrome へのアタッチやクラウドブラウザの利用といった選択肢も README に記載されています(詳細は後述の実行先の選び方で整理します)。
スナップショットとrefによるブラウザ操作モデル
agent-browser の設計で最も特徴的なのは、ページの読み取り方です。HTML でもスクリーンショットでもなく、アクセシビリティツリーを 1 要素 1 行のテキストに落とし、各要素に ref を振ります。これが先に挙げた「コンテキスト消費」と「要素指定の壊れやすさ」の 2 つに同時に効く仕組みになっています。
コアループを構成する5つのコマンド
README のクイックスタートは、コアループを 5 行で示しています。
agent-browser open example.com
agent-browser snapshot -i # interactive elements, each with a ref
agent-browser click @e1 # act on a ref from that snapshot
agent-browser get url # check the result
agent-browser close
(出典: vercel-labs/agent-browser README)
このとき example.com のスナップショットとして返るのは、README によれば次の 1 行です。
- link "Learn more" [ref=e1]
(出典: vercel-labs/agent-browser README)
ロール(link)、アクセシブルネーム(Learn more)、そして操作に使う ref(e1)が 1 行に収まっています。エージェントはこの ref をそのままコマンドに渡し、click @e1 や fill @e3 "a@b.com" のように操作します。要素の選択が ref という明示的な識別子を介するため、公式ドキュメントはこれを決定論的な要素選択だと位置づけています(Snapshots)。
重要な制約が 1 つあります。ref はスナップショットを取った時点のページを表すという点です。生存している DOM 要素は複数のスナップショットをまたいで ref を維持しますが、ナビゲーションや DOM の変更があった後は、ref を再利用する前に新しいスナップショットを取る必要があります。この再取得の責任は、ツール側ではなく呼び出し側のエージェントに残ります。なお CSS セレクタ・テキスト・XPath・セマンティックロケータも併用できます(Selectors)。
出力を小さく保つためのフラグ
スナップショットの出力量はフラグで調整できます。Snapshots によれば、-i はボタン・リンク・入力欄などのインタラクティブ要素に限定するもので、公式はまずこれを既定として使うことを推奨しています。加えて -c(空の構造要素を除去)・-d 3(深さ制限)・-s "#main"(CSS セレクタでスコープ指定)を組み合わせられ、--delta を付けると前回からの変更のみが返ります。出力形式については、JSON がトークンを多く使うため AI エージェントには既定のテキスト形式を推奨する方針が明記されています。iframe の内容は 1 階層だけインライン展開され、iframe 内の ref もフレーム切り替えなしで使えます。
スクリーンショットは置き換えではなく補完手段として位置づけられています。screenshot --annotate は ref に対応する番号ラベルを画像に重ねるため、ラベルのないアイコンや canvas、レイアウト確認で有用です。ただし annotate は CDP 系のパス(Chromium / Lightpanda)のみで利用でき、Safari や WebDriver 経路では使えません。
失敗を黙って成功にしない設計と待機条件の選び方
エージェント運用で厄介なのは、操作が失敗したのに成功として扱われ、後続の手順がずれていくケースです。README は、対象が非表示・無効・ビューポート外、あるいは同意バナーなど別の要素に覆われている場合、クリックは成功と報告せずに失敗する、と明記しています。対処も併記されており、覆っている要素を閉じ、新しいスナップショットを取って再試行する流れになります。エージェント側の手順設計に「失敗したら再スナップショット」という分岐を入れておく前提のツールだと読めます。
待機の扱いも同様です。クイックスタートによれば、wait は要素の ref、テキスト、URL パターン、JavaScript の条件、ロードイベントを待つことができます。公式が推奨しているのは、操作の結果そのものを表す条件を待つことで、ロードイベントはライフサイクルイベント自体が目標であるときにのみ適合するとしています。さらに、SSE・WebSocket・ポーリングが動いているページでは networkidle が永久に解決しない可能性があるという警告も記載されています。長時間動く SPA を対象にするなら、この点は手順設計で先に考慮しておく論点になります。
コマンド群と対応範囲|1つのCLIでどこまでできるか
agent-browser のコマンドは、README のテーブルで 11 グループに整理されています。操作だけでなく、デバッグ・性能計測・セッション管理・エージェント連携までが同じ CLI に収まっているのが、形態面での大きな特徴です。
コマンドグループ早見表
グループ | 含まれるコマンド |
|---|---|
Navigate and read |
|
Interact |
|
Wait |
|
Capture |
|
Page and network state |
|
Tabs, frames, and dialogs |
|
Debug and performance |
|
Sessions and auth |
|
Agents and integrations |
|
Observe |
|
Setup |
|
(グループ構成は vercel-labs/agent-browser README のコマンドテーブルに基づく)
選定の観点で効いてくるのは、Commands に記載されている次の挙動です。batch は複数コマンドを 1 回の起動で実行でき、--bail で最初のエラーで停止します。デバッグ系では vitals が LCP / CLS / TTFB / FCP / INP を返し、a11y は組み込みの axe-core による監査を行います。ただし追加の前提があるコマンドもあり、react は --enable react-devtools 付きの起動、a11y は CDP ブラウザ、record は PATH 上の ffmpeg、chat(自然言語指示のコマンド変換)は AI_GATEWAY_API_KEY を必要とします。
エージェントに手順を渡す仕組み
CLI にブラウザ操作の手順書そのものを同梱している点は、エージェント運用では見落としにくい利点です。README は次のコマンド群を示しています。
agent-browser skills get core # the core loop, refs, waiting, and common workflows
agent-browser skills get core --ref commands # one reference, such as the full command list
agent-browser skills get core --full # adds the full command reference and templates
agent-browser skills list # specialized skills: electron, slack, dogfood, and more
(出典: vercel-labs/agent-browser README)
エージェントハーネスへは npx skills add vercel-labs/agent-browser で discovery スキルを導入できますが、README によればこれは薄いスタブで、「agent-browser skills get core を読め」と指示するだけのものです。手順書を外部に固定しないため、エージェントが読む指示が常にインストール済み CLI のバージョンと一致します。フラグや出力形式の変更がありうる 0.x 系のツールでは、この仕組み自体が運用コストを下げる要素になります。
MCPサーバとしても使える
CLI 形態である一方、MCP クライアント前提の構成も排除していません。Commands によれば、agent-browser mcp は stdio の MCP サーバを起動し、既定の core ツールプロファイルでコンテキストを小さく保ちます。--tools all で全ツールを公開し、--tools core,network,react のようにプロファイルを結合することもできます。永続セッションを維持できないランタイム向けには、agent-browser mcp call <tool> <json> による単発実行も用意されています。
つまり「CLI を選ぶか MCP を選ぶか」という二者択一にはなりません。この点は、後述の比較セクションで選定軸として扱います。
セッション永続化と実行環境の選択肢
ログイン済みの状態で長時間の作業を回したい場合、判断を分けるのはセッションの扱いです。Sessions のドキュメントには、ここで踏みやすい落とし穴が明記されています。
セッション分離と並行実行
--session <name>(または環境変数 AGENT_BROWSER_SESSION)でセッションを指定すると、セッションごとに独立したブラウザ・Cookie・ストレージ・履歴・認証状態を持ちます。別のセッション名は別のブラウザインスタンスになるため、複数のタスクを並行させられます。確認は session list / session info --json で行い、close --all で全セッションを終了できます。
例外は --cdp で 1 つの Chrome を共有する構成です。この場合はタブ選択しか分離手段がないため、--pin-tab(AGENT_BROWSER_PIN_TAB=1)を付ける必要があります。ピン留めしたタブが閉じられると tab_gone、他のセッションが奪おうとすると tab_locked が返ります。
状態の保存と復元
ここが最も注意が必要な箇所です。公式ドキュメントは、永続化には安定した --session と --restore の併用が必要であり、セッション ID だけでは永続化されないと明記しています。restore キーがない場合、シャットダウン時に状態とタブは破棄されます。セッション名を固定しただけでログイン状態が残ると考えると、想定と違う結果になります。
状態は ~/.agent-browser/sessions/ に保存され、ナビゲーションの前に読み込まれます。保存の契機は close 時・アイドルタイムアウト時・デーモン終了時に加え、稼働中も既定 30,000ms ごとです。暗号化は AES-256-GCM(AGENT_BROWSER_ENCRYPTION_KEY に 64 文字の hex)で、保存状態の有効期限は既定 30 日、手動での保存・読み込みは state save / state load が用意されています。
アイドルタイムアウトは既定 1 時間で、--idle-timeout による調整と 0 での無効化ができます。headed・Safari / iOS WebDriver・ユーザーがアタッチしたブラウザは免除されますが、プロバイダのクラウドブラウザは免除されません。既存ブラウザのログインを使いたい場合は --profile で Chrome / Canary / Chromium / Brave のプロファイルを読み取り専用スナップショットとして再利用できます。
ローカル・クラウド・モバイルの実行先の選び方
実行先は、ローカルの Chrome for Testing を既定としつつ、起動中 Chrome へのアタッチ(--cdp / --auto-connect)、Lightpanda や Obscura のエンジン指定(--engine)、iOS Simulator の Mobile Safari、クラウドブラウザプロバイダ(Browserbase / Browserless / Browser Use / Kernel / AgentCore)から選べます。
サーバーレス環境で運用する場合は Next.js and Vercel のドキュメントが参考になります。@agent-browser/sandbox と @vercel/sandbox を導入し、Server Action でコマンドを包んで呼ぶ構成が示されており、実行ごとに Linux microVM を起動して終了します。新規サンドボックスは導入に約 30 秒かかりますが、事前に作ったサンドボックススナップショットの ID を AGENT_BROWSER_SNAPSHOT_ID に設定すると起動が 1 秒未満になり、公式は本番でこれを推奨しています。1 つのサンドボックスで多数のコマンドを呼ぶ場合は agent-browser mcp プロセスを 1 本維持する方式が案内されており、Vercel Cron Job から定期実行する例も同ページに記載されています。
セキュリティ設計|エージェントにブラウザを渡すリスクへの備え
採用判断で最も見落とされやすいのがここです。Security のドキュメントは、ナビゲーション・アクション・出力の制御が opt-in であること、既定では agent-browser がこれらに制限を課さないことを明言しています。つまり「セキュリティ機能が豊富だから安全」ではなく、「設定しなければ守られていない」という読み方が正しくなります。導入検討の段階でどこまで設定するかを決めておく必要があります。
認証情報をモデルに見せない仕組み
認証ヴォールトは、ログイン情報をモデルの入力から切り離す機構です。auth save で保存する際に --password-stdin を使えばシェル履歴にパスワードが残らず、以降は auth login <name> を呼ぶだけでログインが完了するため、モデルに秘密情報を渡す必要がありません。プロファイルは ~/.agent-browser/auth/ に AES-256-GCM で暗号化保存され、auth list / auth show / auth delete で管理できます。
外部送信と危険な操作を止める設定
外部送信の制御はドメイン許可リストが担います。--allowed-domains や agent-browser.json の allowedDomains で指定し、ページ遷移・サブリソース・fetch / XHR・WebSocket・EventSource・sendBeacon・worker による他ドメイン通信をブロックします。注意点も明記されており、CDN やフォントのドメインを含めないとページが壊れること、WebSocket と EventSource のブロックはベストエフォートで eval が許可されていると回避され得ること、これは OS のファイアウォールではないことが挙げられています。さらに --cdp / --auto-connect / --profile / --state / --restore、iOS、Safari、direct-page のプロバイダプラグインを使う構成では許可リスト自体が拒否されます。セキュリティ要件が厳しい環境では、この排他関係が構成上の制約になります。
危険な操作そのものを止めるのがアクションポリシーです。--action-policy ./policy.json でファイルを指定し、既定 allow に対して eval / download / upload を拒否する許容型と、既定 deny に対して navigate / snapshot / click などだけを許す制限型の 2 書式が使えます。カテゴリは navigate / click / fill / eval / download / upload / snapshot / scroll / wait / read / get / interact / network / state です。ポリシーファイルが欠落または不正な場合、すべてのコマンドがブロックされます。
対話的な歯止めとしては、--confirm-actions eval,download を指定すると対象操作が confirmation_required と ID を返し、confirm <id> / deny <id> で判断できます。保留は 60 秒で自動拒否され、非 TTY の stdin でも自動拒否です。
公式が示す本番向けの推奨設定は次の内容です。
{
"contentBoundaries": true,
"maxOutput": 50000,
"allowedDomains": ["your-app.com", "*.your-app.com"],
"actionPolicy": "./policy.json"
}
(出典: agent-browser Security)
なお、自動検出されるプロジェクト設定 ./agent-browser.json は信頼境界として扱われ、headed / json / userAgent / maxOutput / idleTimeout などの限定キーのみを受理し、それ以外は警告付きで無視されます。plugins / extensions / initScripts のような項目は ~/.agent-browser/config.json や --config で明示的に渡す必要があります。
プロンプトインジェクションに対する立場と限界
読み込んだページの内容が指示として解釈されるリスクに対して、agent-browser はコンテンツ境界という機構を用意しています。--content-boundaries を有効にすると、snapshot / get text / get html / eval / console の出力をプロセスごとのランダムな nonce 付き開始・終了マーカーで囲み、--json では _boundary(nonce / origin)が返るため、オーケストレータ側が出自を検証できます。出力量の暴走には --max-output 50000 で上限を設けます。
重要なのは、公式自身が限界を明示している点です。コンテンツ境界は多層防御であり、LLM とオーケストレータが構造マーカーを尊重することに依存すると述べられています。また、許可リスト・ポリシー・境界マーカーはリスクを下げるもののプロンプトインジェクションを解消するものではなく、最大の保護はアクションポリシーで eval カテゴリを拒否することであり、OS・ネットワークレベルの egress 制御と併用すべきだとしています。エージェントにブラウザを渡す構成を本番に載せるなら、ツールの設定だけで閉じる話ではないという前提で設計する必要があります。
Playwright MCP・browser-useとの違い|AIエージェント向けブラウザ操作ツールの選定軸
agent-browser を選ぶ決め手は、機能の多さではありません。「シェルを叩けるエージェントにそのまま渡せる形態であること」と「次の判断をエージェント側に残す操作モデルであること」の 2 点に集約されます。この 2 点が自分の構成に合うかどうかが、他の選択肢との分岐点になります。
4ツールの比較表
2026年11月16日時点の GitHub API 取得値に基づく比較です。
項目 | agent-browser | browser-use | chrome-devtools-mcp | playwright-mcp | Stagehand |
|---|---|---|---|---|---|
スター数 | 51,728 | 121,140 | 57,165 | 39,700 | 26,067 |
言語 / ライセンス | Rust / Apache-2.0 | Python / MIT | TypeScript / Apache-2.0 | TypeScript / Apache-2.0 | TypeScript / MIT |
インターフェース形態 | シェル CLI( | Python ライブラリ + ホステッド API | MCP サーバ | MCP サーバ | TypeScript SDK |
エージェントループの所在 | 呼び出し側のエージェント | ライブラリ内に内包 | 呼び出し側(MCP クライアント) | 呼び出し側(MCP クライアント) | SDK 利用コード側 |
実行前提 | シェルを実行できるエージェント | Python ランタイム | MCP クライアント | MCP クライアント | Node.js とコード記述 |
主眼 | 操作・読み取り・デバッグ・セッション・セキュリティ制御を 1 CLI に統合 | LLM 駆動のブラウザエージェントとクラウド実行 | コーディングエージェント向けの DevTools 機能 | Playwright 機能の MCP 公開 | 自然言語でのサイト操作とデータ抽出 |
セキュリティ制御の内蔵度 | 認証ヴォールト・許可リスト・ポリシー・境界を内蔵(opt-in) | ライブラリ・クラウド側の設計に依存 | DevTools 機能の範囲 | Playwright の設定範囲 | SDK 利用側の実装に依存 |
数値とライセンスは GitHub API の取得値のみを根拠にしています。第三者の比較記事にはトークン消費量の削減率を示す数値もありますが、一次情報で確認できないため本記事では引用していません。
形態の違いが選定に与える影響
browser-use/browser-use はエージェントループをライブラリ内に内包し、Python ランタイムを前提とします。「ブラウザでこのタスクを完了させる」という単位で任せたい場合は素直な選択ですが、どの要素を次に操作するかという判断もツール側に移ります。判断を自分のエージェント本体に残したい構成とは責務の置き方が異なります。browserbase/stagehand も同様に、アプリコードへ組み込む SDK としての形態です。
microsoft/playwright-mcp と ChromeDevTools/chrome-devtools-mcp は MCP クライアントを前提とします。MCP 対応のエージェントを使っているなら導入障壁は低く、後者は DevTools 由来のデバッグ・計測に主眼があります。一方 agent-browser は、シェルコマンドを実行できるエージェントであればそのまま使える形態で、操作・読み取り・デバッグ・セッション永続化・セキュリティ制御が 1 つの CLI に統合されています。公式サイトは連携先として Claude Code、Cursor、GitHub Copilot、OpenAI Codex、Google Gemini、opencode、およびシェルコマンドを実行できる任意のエージェントを挙げています。
人がテストやスクレイピングを書く用途でのブラウザ自動化という軸での比較は、ブラウザ自動化にPuppeteerが選ばれる理由で整理しています。同じ「AI エージェント向けブラウザ」カテゴリの別実装としては、AIエージェント向けブラウザOSS「ego lite」も選択肢に入ります。
排他ではなく併用できる組み合わせ
比較を進めるうえで押さえておきたいのは、これらが必ずしも二者択一ではないことです。MCP が必要なら agent-browser mcp で MCP サーバとして立てられるため、MCP 系ツールとの比較は排他的な選択になりません。また Browserbase は agent-browser のクラウドブラウザプロバイダとして選択できるため、Stagehand の提供元と競合関係にあるわけでもありません。「どれか 1 つを選ぶ」という前提を外すと、判断は「エージェント本体にブラウザ操作の判断を残したいか」という 1 点に絞れます。
agent-browserの導入を検討するときの判断材料
向いているケースと慎重に判断したいケース
公開ドキュメントから読み取れる範囲で、適合しやすい条件と注意が必要な条件を整理します。
向いているケース
- シェルコマンドを実行できるエージェントの中でブラウザ操作を完結させたい
- ログイン済みの状態で長時間のセッションを回したい(
--session+--restoreの併用が前提) - ページ読み取りのコンテキスト消費を抑えたい
- 操作とデバッグ・性能計測(
vitals/react/a11y/trace)を同じツールで済ませたい - Vercel Sandbox や Vercel Cron Job で定期実行する構成を取りたい
慎重に判断したいケース
- Python / TypeScript のアプリコードに組み込みたい場合は、ライブラリ・SDK 型のほうが素直です
- エージェント側にループや再試行の分岐を書きたくない場合は、エージェントループを内包する実装のほうが適合します
--cdp/--profile/--restore等を使う構成ではドメイン許可リストが拒否されるため、外部送信の制御が必須の環境では構成上の制約になります- Safari / iOS WebDriver 経路では
a11yやscreenshot --annotateが使えません recordには ffmpeg、reactには--enable react-devtools付きの起動、chatにはAI_GATEWAY_API_KEYが必要です
バージョンとメンテナンス状況の読み方
更新の頻度は高く、2026年11月16日時点の最新リリースは v0.43.0(2026-11-12 公開)で、直近 1 か月では v0.41.0 から v0.43.0 まで 5 回のリリースがあります。最終 push は 2026-11-15 です。一方でバージョンは 1.0 に達しておらず、open issues は 588 件あります。フラグや出力形式が変わりうる前提で採用するのが現実的な読み方になります。
この前提への対処として、公式は 2 つの仕組みを用意しています。agent-browser skills get core はエージェントが読む手順書をインストール済み CLI と一致させ、agent-browser upgrade / doctor はバージョン管理と環境診断を CLI 側で担います。エージェント環境ではバージョンを固定し、更新時に手順書を取り直す運用が無理のない進め方になります。
導入の起点となるコマンドは README の次の 2 行です。
npm install -g agent-browser
agent-browser install # download Chrome for Testing (first time only)
(出典: vercel-labs/agent-browser README)
インストールせずに挙動を確認する場合は npx agent-browser open example.com が README に案内されています。プロジェクト単位のインストールやソースビルド、upgrade / doctor の詳細は Installation に記載されています。
まとめ|agent-browserをどう位置づけるか
agent-browser は、2026年11月16日時点でスター 51,728・フォーク 3,620、Rust 実装・Apache-2.0 ライセンスの現役リポジトリ(アーカイブ・フォークのいずれでもない)です。押さえるべき点は 5 つに集約されます。
- 操作モデル: ページをアクセシビリティツリーのテキストとして読み、ref に対して操作する。ref の再取得と失敗時の再試行は呼び出し側の責任
- 機能範囲: 操作・読み取り・デバッグ・性能計測・セッション管理・MCP 提供が 1 つの CLI に統合されている
- セッション永続化:
--sessionだけでは永続化されず、--restoreの併用が必要 - セキュリティ: 認証ヴォールト・ドメイン許可リスト・アクションポリシー・コンテンツ境界を備えるが、いずれも opt-in で既定では無効。公式自身がプロンプトインジェクションを解消しないと明言している
- 選定軸: 機能の多寡ではなく「シェルを叩けるエージェントにそのまま渡したいか」「判断をエージェント本体に残したいか」で決まる
本記事は公開ドキュメントと GitHub API 取得値に基づく整理です。採用前には、対象環境での確認と、Security に沿った設定方針の決定が必要になります。
関連情報
AI エージェントを組み込んだ開発プロセスの設計や、ブラウザ操作を含む業務自動化の進め方についてご検討中の場合は、お問い合わせフォーム からご相談いただけます。要件が固まる前の整理段階からの支援も可能です。
参考リンク
- vercel-labs/agent-browser(GitHub リポジトリ・README)
- agent-browser 公式サイト(introduction)
- クイックスタート/Snapshots/Commands
- Sessions/Security/Installation
- Next.js and Vercel/Selectors
- npm: agent-browser/Apache License 2.0(LICENSE)
- browser-use/browser-use
- ChromeDevTools/chrome-devtools-mcp
- microsoft/playwright-mcp
- browserbase/stagehand
※ リポジトリの数値(スター数・フォーク数・ライセンス・最終更新日・open issues・リリース情報)は GitHub API(gh api /repos/vercel-labs/agent-browser)の 2026年11月16日時点の取得値です。



