LangChain obniża koszty agentów przeglądarkowych 13-krotnie dzięki optymalizacji Stagehand

Agenci przeglądarkowi szybko przechodzą od nowinki do użytecznego narzędzia, radząc sobie z wieloetapowymi zadaniami, takimi jak anulowanie subskrypcji czy wystawianie samochodów na stronach bez publicznych interfejsów API. Jak wynika z bloga LangChain, kluczem do zapewnienia opłacalności tego rozwiązania dla małych zespołów nie jest sam model, lecz projektowanie narzędzi. Optymalizując sposób, w jaki agenci wchodzą w interakcję z przeglądarką, LangChain obniżył koszt standardowego zadania przeglądania z 26,71 USD do 1,98 USD, co stanowi 13-krotną poprawę, która sprawia, że automatyzacja internetowa za pomocą agentów staje się wykonalna dla średnich firm.

Co się stało

LangChain szczegółowo opisał swój proces integracji funkcji przeglądarkowych z platformą Managed Deep Agents. Firma porównała siedem różnych zestawów narzędzi, w tym narzędzia natywne, serwery MCP oraz interfejsy CLI, wybierając ostatecznie Stagehand od Browserbase jako najskuteczniejszą opcję. Głównym czynnikiem wpływającym na koszty i szybkość był sposób, w jaki agent wywoływał te narzędzia. W przypadku korzystania z Playwright MCP agent ukończył pomyślnie 78% zadań, ale wygenerował łączny koszt 26,71 USD i potrzebował trzykrotnie więcej czasu na zadanie. Natomiast narzędzia Stagehand pozwoliły na ukończenie 90% zadań przy łącznym koszcie 1,98 USD, a mediana czasu wyniosła 17,4 sekundy na zadanie.

Duża część tej poprawy wydajności wynikała z przyjęcia "trybu kodu" (code mode), w którym agent pisze kod w celu wykonania wielu akcji przeglądarki w jednej partii, zamiast wywoływać narzędzia pojedynczymi poleceniami. Takie podejście obniżyło koszty 4-krotnie w początkowych testach. Ponadto LangChain zastąpił surowy kod HTML lub odczyty zrzutów ekranu migawką drzewa dostępności, co zmniejszyło zużycie tokenów o około 80% w porównaniu do Playwright. Zoptymalizowano również czasy oczekiwania, kończąc pauzy, gdy strona pozostawała bezczynna przez 500 ms, zamiast czekać na stałe timery, co skróciło medianę czasu pracy agenta w teście HardBench ze 182 sekund do 124 sekund.

Dlaczego to ma znaczenie dla właścicieli małych firm

Dla małych i średnich firm ekonomia agentów AI historycznie stanowiła barierę wejścia. Jeśli zautomatyzowanie zadania kosztuje 26 USD, często taniej jest powierzyć je człowiekowi. Jednak przy koszcie 1,98 USD za zadanie agenci przeglądarkowi stają się realnym zamiennikiem rutynowych, czasochłonnych prac w sieci, które nie posiadają dostępu do API. Jest to szczególnie istotne dla zespołów operacyjnych, które spędzają godziny na ręcznym wprowadzaniu danych, monitorowaniu konkurencji czy obsłudze klienta na platformach stron trzecich. Lekcja płynąca z doświadczeń LangChain jest taka, że projektowanie narzędzi stanowi dźwignię kontroli kosztów. Nie potrzebujesz najdroższego modelu; potrzebujesz najbardziej wydajnego interfejsu między agentem a siecią. Ta zmiana z optymalizacji "skoncentrowanej na modelu" na "skoncentrowaną na narzędziach" pozwala mniejszym zespołom konkurować w zakresie wydajności automatyzacji bez ogromnych budżetów na infrastrukturę.

Co zrobić w tym tygodniu

1. Przeprowadź audyt obecnych przepływów pracy agentów, aby zidentyfikować zadania, w których agenci używają zrzutów ekranu lub surowego kodu HTML, i przełącz się na migawki drzewa dostępności, aby obniżyć koszty tokenów.
2. Zrefaktoryzuj interakcje przeglądarkowe agenta, aby korzystały z wsadowego wykonywania kodu zamiast pojedynczych wywołań narzędzi, co może znacznie obniżyć opóźnienia i koszty API.
3. Wdróż dynamiczne warunki oczekiwania w logice agenta, aby przestać czekać na stałe limity czasu, co zapewni, że Twoi agenci zużywają zasoby tylko wtedy, gdy aktywnie przetwarzają zmiany na stronie.

Źródła

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