Agent TARSは、高度なコンピュータビジョンと自然言語処理技術の組み合わせを活用して、グラフィカルユーザーインターフェース（GUI）を理解し操作します。ウェブページの視覚表現をキャプチャし、ボタン、フォーム、テーブル、その他のページ要素を識別します。ユーザーは自然言語のプロンプトを通じてTARSに指示を与えることで、複数のページにわたるクリック、スクロール、テキスト抽出、フォーム入力を行います。カスタマイズ可能なワークフローをサポートし、タスクの連鎖（例：アカウントへのログイン、データスクレイピング、結果のCSVまたはJSONへのエクスポート）を実現します。ヘッドレスおよびヘッドフルブラウザモードをサポートし、インタラクティブな探索と無人自動化の両方を可能にします。これにより、テスト、データ収集、ルーチンブラウザ操作に最適です。

Browser Operatorは、ブラウザをAI搭載のエージェントに変え、自然言語コマンドを理解します。OpenAI APIキーを接続することで、URLへのナビゲート、ボタンのクリック、フォームの入力、テーブルやリストの抽出、コンテンツのダウンロードが可能です。複数のステップを組み合わせて1つのワークフローにし、結果をCSVやJSONとしてエクスポートし、タスクのスケジューリングもできます。すべての処理はブラウザ内でローカルに行われ、迅速なレスポンスとデータのプライバシーを確保します。コーディングは不要です—必要なことをBrowser Operatorに伝えるだけで、あとは自動的に処理します。

NanoBrowserはChrome拡張機能として直接ブラウザで動作し、自然言語のプロンプトを使用して繰り返しや複雑なウェブタスクを自動化します。OpenAI GPT、自ホストLLaMAモデルなどの自分のLLM APIキーを設定し、複数のエージェントで構成されたワークフローを定義します。データのスクレイピング、フォームの操作、自動リサーチ、ワークフローのチェーンをサポートし、LangChainの連携によりエージェントの協調や結果のCSVまたはJSONエクスポート、インタラクティブなデバッグや調整も可能です。プロプライエタリなオペレーターのオープンソース代替として、NanoBrowserはプライバシー、拡張性、使いやすさを重視しています。