Microsoft 製の ブラウザ操作 MCP が実用レベルだった件

はじめに 従来のブラウザ操作MCPの主な課題は、大量のコンテキスト消費でした。AI エージェントがブラウザを操作する際、ブラウザのスクリーンショットを base64 エンコードしてコンテキストに渡していたためです。このため、一度の操作でも膨大なトークン数を消費してしまい、処理効率が大幅に低下していました。 このため、数回の操作を必要とする程度の簡単な操作さえ、エージェント上で完了することはできませんでした。 つまり、従来のブラウザ操作系MCPは実用レベルに達していませんでした。 結論 以下の動画を見てください。 自然言語による指示によって、ローカル環境でログイン処理を行う様子 データの追加と結果の確認を行う様子 Microsoft 製の ブラウザ操作 MCP = Playwright MCP は実用レベルに達していました！ おわり。 おまけ コンテキスト長問題の解決 Playwright

[kkeisuke]

“Playwright”

[stealthinu]

なんでPlaywrightがいいの？と思ったら、スナップショットを直接渡すんじゃなくて構造をYAMLにして渡す機能があるからっぽい。他のやつだってHTMLで渡せるだろ、と思うがYAMLにすることでメリット大きいのか。