AutoBrowse est une bibliothèque pour développeurs permettant l'automatisation web pilotée par LLM. En utilisant de grands modèles linguistiques, il planifie et exécute des actions de navigateur — recherche, navigation, interaction et extraction d'informations à partir des pages web. Avec un modèle planificateur-exécuteur, il décompose des tâches de haut niveau en actions étape par étape, en gérant le rendu JavaScript, la saisie de formulaires, la traversée des liens et le parsing de contenu. Il fournit des données structurées ou des résumés, idéal pour la recherche, la collecte de données, les tests automatisés et la veille concurrentielle.

browse-for-me utilise Chromium sans interface via Puppeteer contrôlé par des modèles OpenAI pour interpréter les instructions de l’utilisateur. Les utilisateurs créent des fichiers de configuration spécifiant les URL cibles, actions telles que cliquer, soumettre des formulaires et points de collecte de données. L’agent exécute chaque étape de façon autonome, gère les erreurs avec des tentatives, et retourne des résumés structurés JSON ou en texte brut. Avec le support pour des séquences multi-étapes, la planification et les variables d’environnement, il simplifie des tâches comme le scraping web, la surveillance de sites, les tests automatisés et la synthèse de contenu.

Deep-Research-With-Web-Scraping-by-LLM-And-AI-Agent est conçu pour automatiser le workflow de recherche de bout en bout en combinant les techniques de web scraping avec les capacités de grands modèles de langage. Les utilisateurs définissent des domaines cibles, spécifient des motifs URL ou des requêtes de recherche, et mettent en place des règles d'analyse à l'aide de BeautifulSoup ou de bibliothèques similaires. Le framework orchestre des requêtes HTTP pour extraire du texte brut, des tableaux ou des métadonnées, puis alimente le contenu récupéré dans un LLM pour des tâches telles que la synthèse, le clustering thématique, la questions-réponses ou la normalisation des données. Il supporte des boucles itératives où les sorties du LLM guident les tâches de scraping suivantes, permettant des plongées approfondies dans des sources connexes. Avec un cache intégré, une gestion des erreurs et des modèles de prompt configurables, cet agent facilite la collecte d'informations complète, idéal pour les revues de littérature, le renseignement concurrentiel et l'automatisation de la recherche de marché.