Browser MCP 弱モデル改善: Semantic Snapshot + Text Click

今回の反復の目的は明確です。能力の低い計画/コーディングモデルでも、ブラウザタスクを安定して完了できるようにすること。同時に、強いモデルの経路は劣化させません。

対象は、複雑ページ・厳格ロケータ・長い操作チェーンで失敗しやすい低能力プランナーモデル（例: 一部の GLM/minmax/Ollama 構成）です。

問題の要約

更新前、弱モデルの失敗点は主に3つでした。

• ページテキスト/HTML が高ノイズで、次アクションの選択が不安定
• 低レベルのロケータ生成と一意性解消が苦手
• 単体テストは通るが、実 CDP では evaluate 互換差で壊れる

今回のリリース内容

1) ネイティブプロンプトのブラウザ運用を強化

標準 SOP を以下へ強化しました。

• read -> act -> verify の短サイクル
• 盲目的な多段アクション連鎖を禁止
• 密度の高い/動的ページでは semantic_snapshot を先行
• ラベルが明確な場合は click_text を優先

2) 弱モデル向け MCP プリミティブを追加

browser-use ランタイムに高レベルツールを追加:

• page.semantic_snapshot
• title/url/見出し/操作候補/切り詰め状態を返す
• 生 HTML より低エントロピーで意思決定しやすい
• page.click_text
• テキスト優先クリック（exact / nth / timeout_ms）
• 脆い selector 手書きを大幅に削減

3) 実 CDP スモークに基づくランタイム堅牢化

初回の実ブラウザスモークで露出した差分を修正しました。

• locator evaluate 契約修正（arguments[0] -> 明示引数）
• semantic snapshot の文字列化オブジェクト互換
• page.goto URL 読み戻しフォールバック（get_url -> location.href）
• text click 候補の収束（インタラクティブ要素優先 + selector 重複排除）

検証

自動テスト

• mcp-browser-use の pytest -q: 15 passed

実 CDP スモーク（修正後）

手順:

1. browser.connect_cdp
2. page.goto("https://example.com")
3. page.wait(text="Example Domain")
4. page.semantic_snapshot(max_items=8)
5. page.click_text("Learn more")
6. browser.close

結果: ライブ実行ですべて成功。

弱モデルに効く理由

本更新の本質は意思決定の複雑度を下げることです。

• 高ノイズ DOM ではなく、コンパクトな意味情報を渡す
• selector 合成ではなく、テキスト中心アクションを使う
• 読み戻しと曖昧性処理を強化し、失敗連鎖を抑制

強モデルは従来の能力を維持したまま利用できます。

次の反復

• NOT_UNIQUE の消歧ヒント強化
• モデル階層別プロンプトプリセット（weak/medium/strong）
• 弱モデル向けブラウザ回帰ベンチマーク整備