LangChain intègre Stagehand de Browserbase pour optimiser la navigation web des agents

Alors que les systèmes autonomes prennent en charge des flux de travail en plusieurs étapes, comme la résiliation d'abonnements inutilisés ou la gestion de voyages transcontinentaux, les outils permettant aux agents d'IA d'interagir avec le web ouvert mûrissent rapidement. Selon une analyse récente de LangChain, l'optimisation des ensembles d'outils de navigation pour les agents profonds peut réduire considérablement les coûts opérationnels, l'utilisation de jetons et les temps d'exécution des tâches sans sacrifier la précision.

Ce qui s'est passé

LangChain a évalué sept ensembles d'outils de navigation différents pour les agents profonds gérés, comparant les options natives, les serveurs MCP (Model Context Protocol) et les interfaces en ligne de commande (CLI) basées sur le shell. Selon les conclusions de l'entreprise, la conception des outils joue un rôle majeur dans les performances des agents, avec des taux de réussite allant de 78 % à 90 % selon les ensembles testés, mais avec des variations massives de vitesse et de coût.

LangChain a finalement sélectionné Stagehand v4 de Browserbase, qui a réussi 90 % des tâches pour un coût médian de 1,98 $ et une vitesse médiane de 17,4 secondes par tâche. En comparaison, une configuration Playwright MCP a réussi 78 % des tâches mais a coûté 26,71 $ — soit environ 13 fois plus — et a pris trois fois plus de temps. Sur les 38 tâches principales de HardBench, les agents profonds en ont résolu 30 à l'aide de l'outil d'exécution d'écriture de code de Stagehand, contre 21 avec la CLI de navigation de type commande de Browserbase.

Trois choix architecturaux clés dans Stagehand v4 ont stimulé ces gains de performance :

• Mode Code : Au lieu d'appeler les outils un par un, l'agent écrit du code qui appelle les outils de manière native. LangChain note que l'appel d'outils MCP de Browserbase à partir du code dans un interpréteur a réduit les coûts par quatre, passant de 17,87 $ à 4,52 $. L'outil d'exécution de Stagehand accepte le code de style Playwright — sur lequel les modèles sont fortement entraînés — et le compile en commandes Stagehand.
• Instantanés optimisés : L'instantané de Stagehand renvoie un arbre d'accessibilité épuré avec des identifiants sur les éléments interactifs plutôt que du HTML brut ou des captures d'écran lourdes. Browserbase indique que cela est environ 80 % plus efficace en termes de jetons que Playwright.
• Exécution dans le navigateur : Alors qu'un clic Playwright standard implique cinq allers-retours distincts du protocole Chrome DevTools (CDP) entre l'agent et le navigateur, Stagehand s'exécute à l'intérieur du navigateur en tant qu'extension, exécutant des actions groupées localement en un seul aller-retour et fonctionnant deux fois plus vite que Playwright.

LangChain a également affiné le cadre de l'agent en remplaçant les temps de pause fixes générés par l'agent par des délais d'attente dynamiques qui se terminent dès qu'une page reste calme pendant 500 millisecondes. Combiné à des sorties structurées et à des délais d'attente pour les appels de modèle, cela a réduit les temps médians de tâche de 182 secondes à 124 secondes sur HardBench.

Pourquoi c'est important pour les petites équipes d'IA

Pour les petites entreprises et les équipes d'ingénierie légères qui construisent ou déployant des flux de travail autonomes, ces choix d'infrastructure ont un impact direct sur les résultats financiers. Lorsqu'un agent exécutant des tâches basées sur un navigateur coûte 26 $ par exécution au lieu de 2, les flux de travail web automatisés deviennent rapidement non viables économiquement pour les processus commerciaux quotidiens.

The market takeaway here is clear: agent economics are heavily bound to platform and tool efficiency, not just underlying model intelligence. By shifting from sequential, token-heavy API interactions and raw screenshot interpretations to batched code execution and accessibility-tree snapshots, developers can slash execution costs by over 80%. For small teams looking to deploy agents for competitive intelligence, automated form fills, or end-to-end testing, selecting purpose-built agent tools like Stagehand instead of repurposed testing frameworks is the difference between an expensive proof-of-concept and a profitable production asset.

Ce qu'il faut faire cette semaine

1. Examinez vos traces d'agents actuelles dans une plateforme comme LangSmith pour identifier où vos agents gaspillent des étapes, effectuent des appels de navigation redondants ou engagent des dépenses de jetons inutiles sur les pages web.
2. Auditez vos outils d'automatisation de navigateur pour vérifier si vos agents dépendent de commandes séquentielles à action unique ou de blocs d'exécution de code efficaces qui regroupent les actions de navigation en un seul aller-retour.
3. Implémentez des contrôles dynamiques de chargement de page au lieu de minuteurs d'attente statiques dans vos cadres d'agents pour éliminer les temps d'attente morts et réduire la latence globale d'achèvement des tâches.

Sources

• How We Optimized Browser Use for Deep Agents — LangChain Blog