കമ്പ്യൂട്ടർ ഉപയോഗ ഏജന്റുകൾ一个 വ്യക്തി പോലെയും വെബ്സൈറ്റുകളുമായി ഇടപഴകുകയും ബ്രൗസർ തുറക്കുകയും പേജാണ് പരിശോധിക്കുകയും കണ്ടതിൽ നിന്ന് അടുത്ത മികച്ച നടപടി എടുക്കുകയും ചെയ്യും. ഈ പാഠത്തിൽ, നിങ്ങൾ ഒരു ബ്രൗസർ ഓട്ടോമേഷൻ ഏജന്റിനെ നിർമിക്കും, അത് Airbnb യിൽ തിരയുകയും ഘടനാപരമായ ലിസ്റ്റിംഗ് ഡാറ്റ സ്രോതസ്സാക്കുകയും സ്റ്റോക്ക്ഹോംയിൽ ഏറ്റവും കുറഞ്ഞ താമസം കണ്ടെത്തുകയും ചെയ്യും.
ഈ പാഠം AI-നൽകിയ നാവിഗേഷനിനായി Browser-Use, ബ്രൗസർ നിയന്ത്രണത്തിനായി Playwright, Chrome DevTools Protocol (CDP), ദൃശ്യ-सാധിതമായ കാരണം ദോഷണത്തിനായി Azure OpenAI, ഘടനാപരമായ സ്രോതസ്സിനായി Pydantic എന്നിവയുടെ കൂട്ട സംയോജനമാണ്.
ഈ പാഠം ഉൾക്കൊള്ളുന്നത്:
ഈ പാഠം പൂർത്തിയാക്കിയശേഷം, നിങ്ങൾക്ക് അറിയാം:
ഈ പാഠത്തിൽ ഒരു നോട്ട്ബുക്ക് ട്യൂട്ടോറിയൽ ഉണ്ട്:
നോട്ട്ബുക്കിൽ ഉപയോഗിച്ച പാക്കേജുകൾ ഇൻസ്റ്റാൾ ചെയ്യുക:
pip install browser_use playwright python-dotenv
playwright install chromium
നോട്ട്ബുക്കിൽ ഉപയോഗിക്കുന്ന Azure OpenAI പരിസ്ഥിതി ചോദ്യങ്ങൾ സജ്ജമാക്കുക:
AZURE_OPENAI_ENDPOINT=...
AZURE_OPENAI_API_KEY=...
AZURE_OPENAI_CHAT_DEPLOYMENT_NAME=...
# ഓപ്ഷണൽ: ഒഴിവാക്കിയാൽ最新 API പതിപ്പിലേക്ക് ഡിഫോൾട്ട് ആണ്
AZURE_OPENAI_API_VERSION=...
നോട്ട്ബുക്ക് സമ്പൂർണ്ണ ഹൈബ്രിഡ് ബ്രൗസർ ഓട്ടോമേഷൻ പ്രവൃത്തി പരമ്പരയെ കാണിക്കുന്നു:
ഈ സമീപനം Browser-Use നയുടെ സൗകര്യമായ ദൃശ്യ അധിഷ്ഠിത കാരണം ചിട്ടപ്പെടുത്തപ്പെട്ട ബ്രൗസർ നിയന്ത്രണത്തോടൊപ്പം നൽകുന്നു.
| സാഹചര്യം | ഏജന്റ് ഉപയോഗിക്കുക | ആക്ടർ ഉപയോഗിക്കുക |
|---|---|---|
| ഡൈനാമിക് ലെയൗട്ടുകൾ | ശരി, AI പേജ് മാറ്റങ്ങൾക്കൊപ്പം ചേരാം | കാണാതെ പോകാൻ സാധ്യതയുള്ള സെലക്ടറുകൾ ഉപയോഗിക്കരുത് |
| അറിയപ്പെടുന്ന ഘടന | വേണ്ട, ഏജന്റ് നേരിട്ട് നിയന്ത്രപ്പെടുത്തുന്നതിനേക്കാൾ മന്ദഗതിയുള്ളവൻ | ശരി, വേഗവും കൃത്യവുമാണ് |
| ഘടകങ്ങൾ കണ്ടെത്തൽ | ശരി, സ്വാഭാവിക ഭാഷ നല്ല ഫലമേർപ്പെടുത്തുന്നു | വേണ്ട, കൃത്യമായ സെലക്ടറുകൾ ആവശ്യമാണ് |
| സമയ നിയന്ത്രണം | വേണ്ട, കുറവായി പ്രവചിക്കാവുന്നതാണ് | ശരി, കാത്തിരിപ്പിലും പുനരുദ്ധരണിലും പൂർണ്ണം നിയന്ത്രണം |
| സങ്കീർണ്ണ പ്രവൃത്തി പ്രവണതകൾ | ശരി, അപ്രതീക്ഷിത UI നിലകൾ കൈകാര്യം ചെയ്യുന്നു | വേണ്ട, വ്യക്തമായ ശാഖകൾ ആവശ്യമുണ്ട് |
ബ്രൗസർ ഏജന്റുകൾ സജീവ വെബ്സൈറ്റുകളിൽ പ്രവർത്തിക്കുന്നതിനാൽ, അവർക്ക് ഒരു അറിയപ്പെട്ട API മാത്രം വിളിക്കുന്ന സ്ക്രിപ്റ്റുകളേക്കാൾ ഇടപെടലുകൾ കുറഞ്ഞ നിയന്ത്രണങ്ങൾ ആവശ്യമാണ്. ഒരു നോട്ട്ബുക്കിൽ നിന്നു യഥാർത്ഥ പ്രവൃത്തി പ്രവണതയിലേക്ക് മടങ്ങുമ്പോൾ ഏജന്റ് കാണാൻ, ക്ലിക്ക് ചെയ്യാൻ, സമർപ്പിക്കാൻ കഴിയുന്ന കാര്യങ്ങൾ നിയന്ത്രിക്കുക.
Airbnb സാമ്പിളിൽ സുഖ സുരക്ഷിതമായ ഡീഫോൾട്ടാണ് ലിസ്റ്റിംഗുകൾ തിരയുകയും വിലകൾ സ്രോതസ്സാക്കുകയും ചെയ്യുന്നത്. സൈൻ ഇൻ ചെയ്യൽ, ഹോസ്റ്റിൽ ബന്ധപ്പെടൽ അല്ലെങ്കിൽ ബുക്കിംഗ് പൂർത്തീകരിക്കൽ ഉപയോക്താവ് അംഗീകരിക്കുന്ന വേർതിരിച്ച പ്രവര്ത്തനങ്ങൾ ആയിരിക്കണം.
ഈ പാഠത്തിൽ നിങ്ങൾ നിർമ്മിക്കുന്ന ഏജന്റ് ഒരു ചെറുയിട, പ്രാദേശിക കമ്പ്യൂട്ടർ ഉപയോഗ ഏജന്റ് (CUA) ആണ് — ഒരു ആളുപോലെ ബ്രൗസർ നിയന്ത്രിക്കുന്ന പ്രോഗ്രാം. Microsoft ഈ ആശയം സംരംഭ ലോകത്ത് കൊണ്ട് വരുന്നത് Project Opal (Frontier) മൈക്രോസോഫ്റ്റ് 365 കോപൈലറ്റിലെ ഒരു കഴിവായി.
Project Opal-ൽ നിങ്ങൾ പ്രവർത്തി വിവരിച്ച് ഏജന്റ് നിങ്ങളുടെ പക്ഷത്തേയ്ക്ക് പ്രവർത്തിക്കുന്നു സുരക്ഷിത Windows 365 Cloud PC-യിലുള്ള കമ്പ്യൂട്ടർ ഉപയോഗം ഉപയോഗിച്ച്, നിങ്ങളുടെ സംഘടനയിലെ ബ്രൗസർ അധിഷ്ഠിത ആപ്ലിക്കേഷനുകൾ, സൈറ്റുകൾ, ഡാറ്റകൾ എന്നിവയ്ക്കിടയിലായി പ്രവർത്തിക്കുന്നു. ഇത് പശ്ചാത്തലത്തിൽ അസിൻക്രണസായി പ്രവർത്തിക്കുന്നു, നിങ്ങൾക്ക് എപ്പോഴെങ്കിലും പ്രവർത്തി നയിക്കാനോ നിയന്ത്രണം എടുക്കാനോ കഴിയും. ഉദാഹരണ ജോലികൾ:
Opal ഒരു ഉത്പാദന നിലവാരമുള്ള, വിശ്വസനീയമായ കമ്പ്യൂട്ടർ ഉപയോഗ ഏജന്റിന്റെ ഉദാഹരണമാണ് — മുൻപുള്ള പാഠങ്ങളിൽ നിന്നുള്ള ആശയങ്ങൾ ശക്തിപ്പെടുത്തുന്നു:
| ഈ കോഴ്സിലെ ആശയം | Project Opal എങ്ങനെ പ്രയോഗിക്കുന്നു |
|---|---|
| മനുഷ്യൻ-ഇൻ-ദ-ലൂപ്പ് (പാഠം 06) | ലോഗിൻ ക്രെഡൻഷ്യലുകൾക്കായി, gevo-sensitive ഡാറ്റയ്ക്കായി, അനിശ്ചിത നിർദ്ദേശങ്ങൾക്കായി Opal കഴിയുമ്പോൾ തൽക്കാലം നിർത്തുന്നു, പാസ്വേഡുകൾ നൽകുകയോ ഫോമുകൾ സമർപ്പിക്കുകയോ ഒരാത്മീയ സ്ഥിരീകരണമില്ലാതെ ചെയ്യാറില്ല. നിങ്ങൾക്ക് പ്രവർത്തി മധ്യേ Take Control ചെയ്യാനും Return Control ചെയ്യാനുമാകും. |
| വിശ്വസനീയവും സുരക്ഷിതവും ആയ ഏജന്റുകൾ (പാഠങ്ങൾ 06 & 18) | ഒറ്റപ്പെട്ട Windows 365 Cloud PC-യിൽ പ്രവർത്തിക്കുന്നു, മൊത്തം ബ്രൗസർ മാത്രം ഉപയോഗിക്കുന്നു (മറ്റ് കമ്പ്യൂട്ടർ പ്രവേശനം തടയുന്നു, Intune ഉപയോഗിച്ച് നടക്കുന്നു), നിങ്ങളുടെ ഐഡന്റിറ്റി ഉപയോഗിച്ച് നിങ്ങള്ക്ക് അനുമതി ഉണ്ടായ സ്ഥലങ്ങൾ മാത്രമേ പ്രവേശിക്കുകയുള്ളൂ, ഓരോ നടപടി ഓഡിറ്റിന് ലോഗ് ചെയ്യുന്നു. |
| പരിചയപ്പെട്ടതും മെറ്റാകോഗ്നിഷനും (പാഠങ്ങൾ 07 & 09) | Opal ആദ്യം ജോലി പ്ലാൻ സൃഷ്ടിക്കുന്നു, എന്നാൽ ഓരോ ഘട്ടത്തിലും തന്റെ കാരണം സ്വയം ഉദ്ദേശിച്ച് സംശയാസ്പദ പ്രവർത്തനം കണ്ടെത്തിയാൽ നിർത്തുന്നു. |
| പുനരുപയോഗയോഗ്യമായ കഴിവുകൾ / ഉപകരണങ്ങൾ (പാഠം 04) | Skills നിങ്ങളെ ആവർത്തനത്താഴങ്ങളിൽ നിർദ്ദേശങ്ങൾ എഴുതാനും (ഒരു .md ഫയലിൽ നിന്നും ഇറക്കുമതി ചെയ്യപ്പെട്ടതോ Opal-ൽ സ്വയം എഴുതി സംഭരിച്ചതോ) സംഭാവന നൽകാനും ഇടവരുത്തുന്നു. |
ലഭ്യത: Project Opal നിലവിലെത്തിയത് Microsoft 365 Copilot സബ്സ്ക്രിപ്ഷനോടുള്ള Frontier തുടങ്ങൽ പ്രോഗ്രാമിലുള്ള ഉപയോക്താക്കൾക്കായി, നിങ്ങളുടെ അഡ്മിൻ ക്രമീകരണം പൂർത്തിയാക്കണം. ഇത് പരീക്ഷണാത്മക Frontier ഫീച്ചറായതിനാൽ കഴിവുകൾ സമയാനുസരിച്ച് മാറ്റമായേക്കാം.
Microsoft Agent Framework പരിശോധിക്കൽ
സ്കെയിലബിള് ഏജന്റ്സ് വിനിയോഗിക്കൽ
അറിയിപ്പ്: ഈ രേഖ AI പരിഭാഷാ സേവനം Co-op Translator ഉപയോഗിച്ച് പരിഭാഷപ്പെടുത്തിയതാണ്. ഞങ്ങൾ കൃത്യതയ്ക്കായി ശ്രമിക്കുന്നുവെങ്കിലും, ഓട്ടോമേറ്റഡ് പരിഭാഷകളിൽ പിഴവുകൾ അല്ലെങ്കിൽ തെറ്റായ വിവരങ്ങൾ ഉണ്ടാകാൻ സാധ്യതയുണ്ട്. അതിന്റെ സ്വാഭാവിക ഭാഷയിലുള്ള അസൽ രേഖയാണ് പ്രാമാണികമായ ഉറവിടമായി പരിഗണിക്കേണ്ടത്. നിർണായകമായ വിവരങ്ങൾക്ക്, പ്രൊഫഷണൽ മനുഷ്യ പരിഭാഷ ശുപാർശ ചെയ്യുന്നു. ഈ പരിഭാഷ ഉപയോഗിച്ച് ഉണ്ടാകുന്ന തെറ്റിദ്ധാരണകൾ അല്ലെങ്കിൽ തെറ്റായ വ്യാഖ്യാനങ്ങൾക്കായി ഞങ്ങൾ ഉത്തരവാദികളല്ല.