Problem z tradycyjnymi agentami przeglądarkowymi
Aby zrozumieć skalę tej zmiany, musimy najpierw przyjrzeć się temu, jak działały dotychczasowe rozwiązania. Do niedawna Hermes posiadał dwanaście różnych narzędzi przeglądarkowych. Każde z nich odpowiadało za konkretną czynność: nawigację po stronie, klikanie, pisanie, przewijanie, naciskanie klawiszy, powrót do poprzedniej strony czy robienie zrzutów ekranu.
Ta struktura generowała poważne problemy wydajnościowe. Za każdym razem, gdy sztuczna inteligencja chciała wykonać nawet najprostsze działanie, takie jak kliknięcie przycisku, musiała przetworzyć instrukcje obsługi wszystkich dwunastu dostępnych narzędzi. To ogromne marnotrawstwo żetonów (tokenów), zanim agent zdążył cokolwiek faktycznie zrobić.
Model „pytania o pozwolenie” hamuje postęp
Sytuacja pogarszała się z każdą kolejną akcją. Tradycyjny model pracy agenta polegał na ciągłej pętli: wykonaj ruch, zatrzymaj się, wyślij raport do modelu, poczekaj na analizę, otrzymaj instrukcję następnego kroku. To oznaczało, że każde kliknięcie czy wpisanie tekstu wymagało osobnej komunikacji.
Wyobraźmy sobie sytuację, w której przed każdym krokiem w supermarketze musielibyśmy dzwonić do przyjaciela i pytać o zgodę na przejście do konkretnej alejki czy sięgnięcie po produkt. Taki proces byłby nie tylko irytujący, ale i niezwykle czasochłonny. Właśnie tak działały większość agentów AI, w tym wcześniejsze wersje Hermesa.
Rozwiązanie: Tryb użytkowania przeglądarki
Nowa aktualizacja wprowadza zupełnie inne podejście, które nazywamy trybem użytkowania przeglądarki. Mechanizm ten opiera się na interfejsie wiersza poleceń przeglądarki 3.0. Zamiast korzystać z dwunastu oddzielnych narzędzi, agent otrzymuje teraz jedno, wszechstronne narzędzie.
Kluczową różnicą jest sposób wykonywania zadań. Agent nie pyta o pozwolenie przy każdym pojedynczym kliknięciu. Zamiast tego generuje jeden spójny skrypt, który zawiera cały plan działania: nawigację, interakcje z elementami strony i wprowadzanie danych. Skrypt ten jest uruchamiany od początku do końca jako jedna całość.
Jeden silnik skryptowy zmienia zasady gry
Nazwaliśmy to „jednym silnikiem skryptowym”. Gdy zrozumiecie mechanizm działania tego rozwiązania, zobaczycie kierunek, w którym zmierzają wszystkie zaawansowane agenty AI. Zamiast wykonywać drobne czynności krok po kroku z ciągłym nadzorem, sztuczna inteligencja tworzy pełny zestaw instrukcji z góry i przekazuje go do wykonania.
To porównanie do listy zakupów jest tu idealne. Zamiast dzwonić przed każdym ruchem w sklepie, otrzymujemy kompletną listę produktów i wskazówki, gdzie je znaleźć. Idziemy do sklepu, robimy zakupy zgodnie z planem i wracamy. To tylko jedna podróż i zero zbędnych rozmów telefonicznych.
Wyniki testów i oszczędności
Liczby potwierdzają skuteczność tego nowego podejścia. Świeże badania opublikowane dziś rano pokazują drastyczne spadki zużycia zasobów. W naszych testach z przeglądarką Opus 4.8 zauważyliśmy spadek użycia tokenów o 48 do 66 procent.
Zadania, które wcześniej wymagały od 50 do 64 tysięcy tokenów, teraz realizowane są przy zużyciu nieco ponad 20 tysięcy. Oznacza to, że ta sama praca jest wykonywana za około jedną trzecią poprzednich kosztów. Co najważniejsze, nie zaobserwowaliśmy żadnego spadku dokładności działań ani jakości wykonanych zadań.
Dlaczego to działa lepiej?
Pierwszym powodem sukcesu jest redukcja schematu narzędzia. Instrukcja obsługi, którą model musi „nosić przy sobie” w każdym żądaniu, została drastycznie skrócona z dwunastu elementów do jednego. Drugim czynnikiem jest sterowanie przeglądarką za pomocą kodu, a nie pojedynczych akcji myszy czy klawiatury.
Dzięki temu cała rozmowa między modelem a środowiskiem wykonawczym staje się bardziej efektywna i zwięzła. Nie musimy już marnować czasu na potwierdzenia pośrednie, co pozwala agentom działać szybciej i sprawniej w rzeczywistych scenariuszach biznesowych.
Podsumowanie zmian
Ta aktualizacja to nie tylko drobna poprawka, ale fundamentalna zmiza w architekturze działania agentów Hermesa. Przejście od modelu reaktywnego do proaktywnego, opartego na skryptach, otwiera nowe możliwości automatyzacji złożonych procesów.
Wdrażając te zmiany, zyskujemy narzędzie, które jest nie tylko szybsze, ale i znacznie tańsze w eksploatacji. To krok naprzód w kierunku bardziej samodzielnych i efektywnych systemów AI, które potrają radzić sobie z wieloetapowymi zadaniami bez ciągłej interwencji człowieka.