Browser-Use: Scraping, který přežije změnu layoutu

Automatizace prohlížečů nové generace (Browser-Use, Stagehand) se vyvinula z křehkého scrapování DOM struktur na agentovou navigaci vylepšenou počítačovým viděním. Toto odemyká obrovské množství nestrukturovaných webových dat pro potřeby 'Market Intelligence' a automatizaci procesů.

Tradiční scrapery spoléhají na CSS selektory a XPath výrazy, které se rozbijí při každé změně webu. Malá úprava HTML struktury znamená hodiny práce na opravě selektorů. Browser-Use využívá počítačové vidění a stromy přístupnosti (accessibility trees) – agent 'vidí' stránku a identifikuje elementy vizuálně, přesně jako člověk.

Instrukce 'Najdi cenu iPhone 16 Pro' funguje bez ohledu na podkladovou HTML strukturu. Agent identifikuje vizuální element, který vypadá jako cena v blízkosti textu produktu, bez nutnosti znát konkrétní div třídy nebo ID.

Prelomovou schopností představenou koncem roku 2024 je Claude 'Computer Use', která umožňuje modelu přímo interagovat s grafickým rozhraním – dívat se na screenshoty, pohybovat kurzorem, psát. Toto je revoluční pro řešení 'Autonomní pracovní síly', umožňující agentům ovládat legacy software, který nemá API.

Běžný scénář v tradičních odvětvích: účetní software, staré ERP systémy, interní aplikace bez API. Claude může tyto systémy ovládat vizuálně, extrahovat data a provádět akce přesně jako lidský operátor.

Implementační poznámka: Hoci je tato funkce výkonná, je v současnosti pomalejší a náchylnější na chyby ve srovnání s voláními API. Měla by být 'nástrojem poslední instance', když MCP nebo přímé API nejsou k dispozici.

Pokud vyskakovací okno zablokuje výhled, agent ho vizuálně detekuje a klikne na 'Zavřít' – přesně jako člověk. Cookie bannery, newsletter pop-upy, chatboti – všechno je zvládnuto automaticky bez speciálních handlerů.

Tato odolnost dramaticky snižuje náklady na údržbu scraperů. V tradičním scrapingu tvoří údržba 60-80% celkových nákladů. S vision-based přístupem klesá na zlomek – scraper nevyžaduje úpravy, když web změní CSS třídy nebo přeuspořádá layout.

Gemini 2.5 Flash pro rychlost a nízkou latenci – ideální pro vysokoobjemové scrapování, kde je prioritou throughput. Výrazně předkonává konkurenty v metrice Time-To-First-Token (TTFT).

Claude 4 Sonnet pro komplexní navigaci – když scraper potřebuje komplexní logiku, multi-step workflow nebo interakci s formuláři. Benchmarky ukazují nejvyšší úspěšnost při správném formátování komplexních argumentů nástrojů.

Hybridní přístup: Gemini pro jednoduchou extrakci dat, Claude pro navigaci a interakci s komplikovanými UI.

Nasazení na serverless kontejnerech (AWS Fargate, Google Cloud Run) umožňuje horizontální škálování na tisíce stránek. Platíte pouze za skutečně využitý čas, bez nákladů na idle servery.

Architektura: Orchestrátor (LangGraph) řídí frontu URL k zpracování. Každý kontejner spouští headless browser instance, zpracovává stránky paralelně. Výsledky se agregují do centrální databáze nebo S3.

Pro 'Market Intelligence' use-case může systém denně zpracovat desítky tisíc produktových stránek konkurence, automaticky detekovat cenové změny a generovat reporty.

Cíl: Sběr trhových informací, který přežije změny v rozložení webstránek. Browser-Use poháněná Gemini 2.5 Flash (pro rychlost/vidění) nebo Claude 4 Sonnet (pro komplexní navigaci).

Metodika: Místo CSS selektorů agent využívá počítačové vidění a stromy přístupnosti. Instrukce 'Najdi cenu iPhone 16 Pro' identifikuje vizuální element vypadající jako cena v blízkosti textu produktu, bez ohledu na podkladovou div strukturu.

Výstup: Strukturovaná data (JSON) s cenami, dostupností, specifikacemi. Automatické porovnání s historickými daty, alerting na významné změny. Dashboard pro business analytiky.