powered by TechFeed
表示モード
Deep Dive

DOMスクレイピングからの脱却 — ブラウザ自身がAIにツールを公開する「WebMCP」で自動化が壊れなくなる

11月16日、Sanket Bisneが「Stop Scraping the DOM: Build Browser-Native AI Agents with WebMCP and Google ADK」と題した記事を公開した。DOMスクレイピングに依存せず、WebMCPとGoogle ADKを組み合わせてブラウザネイティブなAIエージェントを構築する手法を、フルスタックのデモアプリを通じて詳述している。

11月16日、Sanket Bisneが「Stop Scraping the DOM: Build Browser-Native AI Agents with WebMCP and Google ADK」と題した記事を公開した。DOMスクレイピングに依存せず、WebMCPとGoogle ADKを組み合わせてブラウザネイティブなAIエージェントを構築する手法を、フルスタックのデモアプリを通じて詳述している。


DOMスクレイピングの何が問題か

今日のブラウザ向けAIエージェントは、スクリーンショットを撮ってDOMツリーを解析し、CSSセレクタが次のデプロイで壊れないことを祈るしかない。ボタンが20px移動したり、クラス名が変わったりするだけで自動化は失敗する。

WebMCP(Web Model Context Protocol)はこの問題をブラウザ層で解決する。AIがページの構造を推測する代わりに、ウェブサイト自身がnavigator.modelContextと注釈付きHTMLフォームを通じて、型付きの構造化ツールをエージェントに直接公開する仕組みだ。

WebMCPは現時点ではChrome限定の実験的APIであり、他ブラウザへの対応状況や標準化の進捗についてはChrome for Developers のWebMCP解説ページで随時確認できる。W3CやWHATWGへの正式提案はまだ行われておらず、本番採用にあたってはブラウザ互換性を考慮する必要がある点に注意したい。

Sanket Bisneはこの仕組みを実証するため、NexusGear Storefrontというフルスタックのショッピングアプリを構築した。Google ADKエージェント(webmcp_agent)が商品検索、配送フォームの入力、チェックアウトのガードレール適用、注文完了までをWebMCP経由で完結させる。ソースコードはGitHub(sanketbisne/adk-webmcp-storefront)で公開されている。


WebMCPの2つのAPI

WebMCPには開発者が使える2つのインターフェースがある。

1. 命令型API(navigator.modelContext.registerTool)

JavaScriptで動的に状態管理しているUIには、ツールをコードで直接登録する。名前・説明・JSON Schema・非同期のexecute関数を渡すだけだ。

if ("modelContext" in navigator) {
  window.navigator.modelContext.registerTool({
    name: "search_products",
    description: "Search and filter the NexusGear storefront catalog...",
    inputSchema: {
      type: "object",
      properties: {
        query: { type: "string", description: "Keyword search query" },
        category: { type: "string", description: "Category filter" },
        max_price: { type: "number", description: "Maximum unit price in USD" },
        in_stock_only: { type: "boolean", description: "Exclude out-of-stock" },
      },
    },
    execute: async (args) => {
      // UIフィルターを更新し、構造化JSONを返す
    },
  });
}

ユーザーが「ノイズキャンセリングヘッドフォンを探して」と依頼すると、エージェントは検索ボックスへのキーストロークを模倣せず、search_productsを呼び出す。ストアフロントがリアルタイムで絞り込みを行い、エージェントは決定論的なJSONを受け取る。

2. 宣言型フォームAPI(<form toolname="...">)

標準的なHTMLフォームなら、ツール登録のJavaScriptを1行も書かずに済む。<form>要素にtoolnameとtooldescription属性を追加し、各inputにtoolparamdescriptionを付けるだけで、ChromeがそのフォームをJSON Schemaツールとして自動的に認識する。

<form
  id="shippingForm"
  toolname="update_shipping_form"
  tooldescription="Populate the customer's shipping address and delivery speed form."
>
  <input name="full_name" required toolparamdescription="Recipient full name" />
  <input name="email" type="email" required toolparamdescription="Contact email address" />
  <input name="address" required toolparamdescription="Street, city, state, ZIP" />
  <select name="delivery_speed" required toolparamdescription="Shipping speed">
    <option value="standard">Standard ($0.00)</option>
    <option value="express">Express 2-Day ($15.00)</option>
    <option value="overnight">Overnight Air ($29.00)</option>
  </select>
</form>

また、エージェントがフォーム送信を起動した場合はSubmitEvent.agentInvoked = trueがセットされるため、バックエンドや分析基盤で人間の操作とエージェント操作を常に区別できる。


安全性を担保するガードレール

LLMに「確認なしに購入するな」とプロンプトで指示するだけでは、実際の決済には不十分だ。Google ADKでは、Pythonのbefore_tool_callbackチェーンを使って決定論的なガードレールを実装できる。

checkout_orderが呼び出された際、checkout_confirmation_guardはuser_confirmed=Trueであることと、ユーザーの直近メッセージに「cancel」「wait」「do not」といった否定語がないことの両方を検証する。いずれかが失敗すればブラウザに到達する前にツール呼び出しをブロックする。

async def checkout_confirmation_guard(
    tool: BaseTool,
    args: dict[str, Any],
    tool_context: ToolContext,
) -> dict[str, Any] | None:
    if tool.name != "checkout_order":
        return None
    user_text = extract_content_text(
        getattr(tool_context, "user_content", None)
    ) or str(tool_context.state.get("latest_user_message", ""))
    if args.get("user_confirmed") is not True or not has_explicit_confirmation(user_text):
        return {
            "status": "confirmation_required",
            "error": "CHECKOUT BLOCKED BY SAFETY GUARDRAIL: ask the user to reply with 'Yes, I confirm' to place the order.",
        }
    return None

同様に、input_validation_guardがすべての文字列引数をDOMに渡す前に検査し、<script>alert(1)</script>のようなXSSペイロードを即座に弾く。


テストとデプロイ

記事ではテスト・評価・デプロイのパイプラインも詳述されている。

  • ユニット・統合テスト(pytest):カタログ検索、カート計算、プロモコード、XSSガードレール、確認ガードレールをカバーする7件のユニットテストと、エージェントストリームやA2Aエージェントカード検出をカバーする4件の統合テストがすべてパス。
  • ADK評価スイート(agents-cli eval run):2つのカスタム指標を設定し、基本4シナリオと未知のエッジケース2件に対して実行。webmcp_tool_used(実際のfunction_call呼び出しが発生したかを検証)とcheckout_safety_blocked(未確認チェックアウトのブロック)がいずれもスコア1.0000 / 1.0を達成。
  • 本番デプロイ:agents-cli deployの1コマンドでGoogle Cloud Agent Runtimeへのデプロイが完了。OpenTelemetryによるトレース・テレメトリも自動で有効化される。

なお、統合テストに登場するA2Aエージェントカードとは、Google が提唱するAgent-to-Agent(A2A)プロトコルにおけるエージェントのメタデータ定義ファイルであり、エージェント同士がお互いの能力・エンドポイント・認証方式を自己記述的に交換するための仕組みだ。WebMCPエージェントがA2Aプロトコルに準拠しているかを統合テストで検証することで、将来的なマルチエージェント構成への拡張性を確認している。

実際のトラフィックを流した際のダッシュボード(直近60分)では、4セッション・平均1.25ターン/セッション・10回のエージェント呼び出し・P95レイテンシ27.667秒が記録されている。このレイテンシはLLM推論・ガードレール検証・ブラウザのツール実行が直列に走る構成上の特性によるものと考えられ、インタラクティブな用途では体感速度への配慮が必要になる場面もあるだろう。


詳細はStop Scraping the DOM: Build Browser-Native AI Agents with WebMCP and Google ADKを参照していただきたい。