Browser-Use: Scraping, ktorý prežije zmenu layoutu

Automatizácia prehliadačov novej generácie (Browser-Use, Stagehand) sa vyvinula z krehkého scrapovania DOM štruktúr na agentovú navigáciu vylepšenú počítačovým videním. Toto odomyká obrovské množstvo neštruktúrovaných webových dát pre potreby 'Market Intelligence' a automatizáciu procesov.

Tradičné scrapery sa spoliehajú na CSS selektory a XPath výrazy, ktoré sa rozpadnú pri každej zmene webu. Malá úprava HTML štruktúry znamená hodiny práce na oprave selektorov. Browser-Use využíva počítačové videnie a stromy prístupnosti (accessibility trees) – agent 'vidí' stránku a identifikuje elementy vizuálne, presne ako človek.

Inštrukcia 'Nájdi cenu iPhone 16 Pro' funguje bez ohľadu na podkladovú HTML štruktúru. Agent identifikuje vizuálny element, ktorý vyzerá ako cena v blízkosti textu produktu, bez nutnosti poznať konkrétne div triedy alebo ID.

Prelomovou schopnosťou predstavenou koncom roka 2024 je Claude 'Computer Use', ktorá umožňuje modelu priamo interagovať s grafickým rozhraním – pozerať sa na screenshoty, pohybovať kurzorom, písať. Toto je revolučné pre riešenia 'Autonómnej pracovnej sily', umožňujúce agentom ovládať legacy softvér, ktorý nemá API.

Bežný scenár v tradičných odvetviach: účtovný softvér, staré ERP systémy, interné aplikácie bez API. Claude môže tieto systémy ovládať vizuálne, extrahovať dáta a vykonávať akcie presne ako ľudský operátor.

Implementačná poznámka: Hoci je táto funkcia výkonná, je v súčasnosti pomalšia a náchylnejšia na chyby v porovnaní s volaniami API. Mala by byť 'nástrojom poslednej inštancie', keď MCP alebo priame API nie sú k dispozícii.

Ak vyskakovacie okno zablokuje výhľad, agent ho vizuálne deteguje a klikne na 'Zavrieť' – presne ako človek. Cookie bannery, newsletter pop-upy, chatboti – všetko je zvládnuté automaticky bez špeciálnych handlerov.

Táto odolnosť dramaticky znižuje náklady na údržbu scraperov. V tradičnom scrapingu tvorí údržba 60-80% celkových nákladov. S vision-based prístupom klesá na zlomok – scraper nevyžaduje úpravy, keď web zmení CSS triedy alebo preusporiada layout.

Gemini 2.5 Flash pre rýchlosť a nízku latenciu – ideálny pre vysokoobjemové scrapovanie, kde je prioritou throughput. Výrazne prekonáva konkurentov v metrike Time-To-First-Token (TTFT).

Claude 4 Sonnet pre komplexnú navigáciu – keď scraper potrebuje komplexnú logiku, multi-step workflow alebo interakciu s formulármi. Benchmarky ukazujú najvyššiu úspešnosť pri správnom formátovaní komplexných argumentov nástrojov.

Hybridný prístup: Gemini pre jednoduchú extrakciu dát, Claude pre navigáciu a interakciu s komplikovanými UI.

Nasadenie na serverless kontajneroch (AWS Fargate, Google Cloud Run) umožňuje horizontálne škálovanie na tisíce stránok. Platíte iba za skutočne využitý čas, bez nákladov na idle servery.

Architektúra: Orchestrátor (LangGraph) riadi frontu URL na spracovanie. Každý kontajner spúšťa headless browser inštancie, spracováva stránky paralelne. Výsledky sa agregujú do centrálnej databázy alebo S3.

Pre 'Market Intelligence' use-case môže systém denne spracovať desaťtisíce produktových stránok konkurencie, automaticky detegovať cenové zmeny a generovať reporty.

Cieľ: Zber trhových informácií, ktorý prežije zmeny v rozložení webstránok. Browser-Use poháňaná Gemini 2.5 Flash (pre rýchlosť/videnie) alebo Claude 4 Sonnet (pre komplexnú navigáciu).

Metodika: Namiesto CSS selektorov agent využíva počítačové videnie a stromy prístupnosti. Inštrukcia 'Nájdi cenu iPhone 16 Pro' identifikuje vizuálny element vyzerajúci ako cena v blízkosti textu produktu, bez ohľadu na podkladovú div štruktúru.

Výstup: Štruktúrované dáta (JSON) s cenami, dostupnosťou, špecifikáciami. Automatické porovnanie s historickými dátami, alerting na významné zmeny. Dashboard pre business analytikov.