オムニモーダルに依存せず、DOM圧縮でトークン効率よくWebを探索するAIエージェントライブラリ

普段はGNをたまに読むだけで、投稿は今回が初めてです。よろしくお願いします！

---

不確実な現行のオムニモーダルWebサーフィンエージェントの代わりに、CDPで取得したDOMをLLMが理解できるよう最小限に整形・圧縮し、MCPにしたらどうだろう？ というアイデアから作ってみたライブラリです。

作った理由

• スクリーンショットベースのWebエージェントはビジョンモデルが必要で、トークン消費が非常に激しいです。
• 既存のDOMシリアライズはCSSクラス、ラッパーdiv、スクリプトまで全部含むため、1ページで5万〜10万トークンになります。
• エージェントに必要なのはボタン、リンク、入力、テキストだけなのに、そのためにコンテキストウィンドウ全体を使うのは非効率です。

動作方式

• CDPを通じてChromeインスタンスに接続した後、DOM内で最小限の識別に必要な要素以外はすべて取り除きます。
• その後、各要素に短いIDを付け、Agentにその内容を渡します。
• エージェントからのインタラクティブ要素に対して click("B1")、type("I1", "検索語") のような操作もサポートします！

ベンチマーク

• GitHub: 84,357 -> 2,593 トークン (32x)
• Wikipedia: 123,615 -> 12,097 トークン (10x)
• MDN: 24,923 -> 1,793 トークン (14x)
• HN: 8,736 -> 1,038 トークン (8.4x)
• 平均93%のトークン削減、パース時間は約30ms

ペーパースペック

• TypeScriptベースで、ランタイムとしてBun Native、またはNode 18+もサポート
• chrome-remote-interface Runtime に依存
• ElysiaJSベースのバックエンド

リンク

• GitHub: https://github.com/TideSurf/core
• npm: https://www.npmjs.com/package/@tidesurf/core
• ドキュメント/デモ: https://tidesurf.org

---

個人的なデバッグ用に作って使っていたところ、意外と実用的だったのでOSS化して公開してみました。ぜひ一度使ってみて、たくさんフィードバックをお願いします！