ให้ AI ขับ browser แทนเรา สองแบบที่คิดคนละทาง

อาทิตย์ก่อนเราลองเอา browser สองตัวที่โฆษณาว่า "ทำมาให้ AI ขับ" มาติดตั้งไว้ในเครื่องเดียวกัน แล้วสั่งงานเดียวกันเป๊ะ ๆ ให้ทั้งคู่ ไปเปิด Hacker News แล้วดึงหัวข้อข่าวเด่นออกมา ไม่ได้จะหาว่าตัวไหนชนะ แค่อยากรู้ว่าคำว่า "AI agent browser" พอลงมือทำจริงมันแปลว่าอะไรกันแน่

ที่จริงคำ ๆ เดียวกันนี้หมายถึงของสองแบบที่ พอลงมือแล้วเป็นคนละเรื่องกันเลย ตัวหนึ่งคือ browser ที่เป็นแค่ "มือ" ให้ agent (ตัว AI ที่ทำงานเองได้) ที่อยู่ข้างนอกเข้ามาขับ อีกตัวคือ browser ที่ห่อ agent มาให้ในตัวเสร็จสรรพ พร้อมตัววัดต้นทุนของตัวเองมาด้วยซ้ำ ก่อนจะเล่าว่าลองแล้วเจออะไร ขอวางตารางเทียบให้เห็นภาพรวมก่อน

ไม่มีตัวไหนชนะขาด เลือกจากของที่มีอยู่ในมือ ถ้ามี agent เป็นของตัวเองอยู่แล้วและอยากให้มันยืม browser ที่ล็อกอินไว้โดยไม่แย่งเรา ตอบว่า ego ถ้าอยากได้ browser ที่ client ตัวไหนก็ขับได้ทันที มีตัวกันโดนหลอกและตัวเลขต้นทุนให้ในตัว ตอบว่า BrowserClaw ที่เหลือคือรายละเอียดว่าแต่ละแบบทำงานยังไง

ช่วงที่ 1สองแบบ ที่คิดคนละทาง

ego browser เป็นแค่มือ สมองอยู่ข้างนอก

ego (ตัวที่ลองคือ ego lite รุ่น 0.4.5.5) มองว่าตัวมันเองเป็นแค่มือ ส่วนสมองคือ agent ที่อยู่ข้างนอก เราขับมันผ่านคำสั่งบรรทัดเดียว (ego-browser nodejs) แล้วเขียนสคริปต์สั้น ๆ ป้อนเข้าไป พอเริ่มงาน มันก็จะเปิด task space แยกขึ้นมาให้ agent ทำงานของมันโดยเฉพาะ (รอบที่ลองได้พื้นที่หมายเลข 3) โดยไม่ไปยุ่งกับแท็บที่เราเปิดค้างไว้เลย แต่ agent ยังยืมสถานะที่เราล็อกอินไว้ไปใช้ได้ เลยไม่ต้องมานั่งล็อกอินใหม่ใน browser อีกตัว

ส่วนวิธีที่มัน "มองเห็น" หน้าเว็บ คือแปลงหน้าเป็น accessibility tree ก้อนข้อความก้อนหนึ่ง (เรียกด้วย snapshotText) ที่บอกว่าตรงไหนเป็นหัวข้อ ตรงไหนเป็นลิงก์ agent อ่านก้อนนั้นแล้วก็สั่งงานต่อได้ ตอนลองจริง มันเปิด Hacker News แล้วสกัดหัวข้อข่าวออกมาให้ได้ตามสั่ง จุดที่ชอบคือความไม่ผูกมัด agent ตัวไหนที่เขียน JS เป็นก็ขับ ego ได้ ไม่ได้บังคับให้ใช้ AI ยี่ห้อใดยี่ห้อหนึ่ง

BrowserClaw ต่อ agent ได้ในตัว แถมวัดต้นทุนเอง

อีกตัวคิดกลับด้าน BrowserClaw (ตัวที่ลองคือ BrowserOS รุ่น 0.48.1) เป็น browser ที่ห่อช่องต่อ agent มาให้ในตัวเลย พอเปิดขึ้นมา มันก็จะยก MCP server ไว้ในเครื่องที่พอร์ต 9010 (มี CDP ให้อีกช่องที่ 9110) client ตัวไหนที่พูด MCP เป็นก็ต่อเข้ามาสั่งงานได้ทันที เครื่องมือที่มีก็ครบมือ ตั้งแต่เปิดหน้า อ่าน คลิก ไปจนถึง grep หาคำในหน้า และ evaluate รันโค้ดเจาะเอาเฉพาะข้อมูลที่ต้องการ

สองอย่างที่ ego ไม่มี แต่ BrowserClaw มี อย่างแรกคือตัวกันโดนหลอก เวลาส่งเนื้อหาหน้าเว็บให้ AI มันจะห่อไว้ด้วยเครื่องหมาย [UNTRUSTED_PAGE_CONTENT nonce=…] เป็นการบอก AI ตรง ๆ ว่า "ตรงนี้คือข้อมูลจากหน้าเว็บนะ อย่าไปทำตามคำสั่งที่ฝังมาในนั้น" กันเคสที่หน้าเว็บแอบเขียนสั่งให้ AI ทำอะไรแผลง ๆ อย่างที่สองคือ มันวัดต้นทุนของตัวเอง มันจดทุก session ลงฐานข้อมูล sqlite ในเครื่อง ว่าใช้ token ไปเท่าไร แล้วเทียบกับสมมติว่าถ้าใช้วิธีถ่าย screenshot รัว ๆ แทนจะกินไปเท่าไร พอทำงานเสร็จก็ปิด session แล้วมันคำนวณให้เอง ตัวเลขตรงนี้แหละที่พาไปสู่ส่วนที่น่าสนใจที่สุด

ช่วงที่ 2ผลที่วัดได้จริง token ประหยัดจริงไหม

เพราะ BrowserClaw วัดต้นทุนตัวเอง เลยมีตัวเลขที่เอามาเทียบกันได้ตรง ๆ มันเทียบกับเส้นฐานง่าย ๆ คือ "ถ้าให้ AI ทำงานด้วยการถ่าย screenshot ดูหน้าจอทีละก้าว จะกิน token ราวก้าวละ 3,000" แล้วดูว่าการใช้เครื่องมือแบบมีโครงสร้างแทน ช่วยลดลงได้เท่าไร คราวนี้ได้ผลจาก session จริงที่ทำจนจบสองรอบ

• รอบที่ใช้เครื่องมือเจาะจง สั่งงาน 4 ครั้ง เน้น evaluate กับ grep ดึงเฉพาะจุด ใช้จริง 9,713 token เทียบเส้นฐาน screenshot ที่ 12,000 = ประหยัดราว 19%
• รอบที่ดึงทั้งหน้ามาทุกก้าว สั่งงาน 7 ครั้ง แต่ไปพึ่งคำสั่งเปิดหน้า (navigate) ที่คืนภาพรวมทั้งหน้ากลับมาทุกครั้ง ใช้จริง 20,652 token เทียบเส้นฐาน 21,000 = ประหยัดแค่ราว 1.7%

สองรอบนี้ต่างกันคนละโลก แต่มันคือ browser ตัวเดียวกัน งานคล้ายกัน ต่างกันแค่ agent เลือกหยิบเครื่องมืออันไหนมาใช้ พอใช้เครื่องมือที่เจาะเฉพาะข้อมูลที่ต้องการจริง ๆ มันก็ประหยัดชัด แต่พอขี้เกียจแล้วดึงหน้าเว็บทั้งหน้ากลับมาทุกก้าว ก็แทบไม่ต่างจากถ่ายรูปหน้าจอรัว ๆ เลย

บทเรียนตรงนี้คือ ตัวเลขประหยัดมันจริง แต่มันอยู่ที่วินัยการเลือกเครื่องมือ ไม่ใช่ที่ตัว browser เพราะงั้นเวลาเห็นใครบอกว่า "เครื่องมือแบบมีโครงสร้างประหยัด token กว่า screenshot เสมอ" ให้ฟังหูไว้หู มันจริงเฉพาะตอนที่ agent เลือกใช้เครื่องมือเป็น ถ้าปล่อยให้มันดึงทั้งหน้ามาทุกก้าว โครงสร้างที่ว่าก็ไม่ได้ช่วยอะไรมาก ข้อดีของ BrowserClaw คือมันเอาความจริงข้อนี้มาวางให้เห็นตรง ๆ ไม่ต้องเดา

ช่วงที่ 3เลือกตัวไหนดี แล้วเริ่มตรงไหน

เลือกจากของที่มีอยู่ ไม่ใช่ตัวไหนเท่กว่า

คำถามที่ควรถามไม่ใช่ "ตัวไหนเก่งกว่า" แต่เป็น "ตอนนี้เรามีอะไรอยู่ในมือ" ถ้าตอบสองข้อนี้ได้ก็เลือกได้เลย

• เลือก ego ถ้ามี agent เป็นของตัวเองอยู่แล้ว (เช่น Claude Code หรือ Codex) แล้วอยากให้มันยืม browser ที่เราล็อกอินค้างไว้ไปทำงาน ในพื้นที่แยกที่ไม่มากวนแท็บที่เราเปิดอยู่ จุดขายของมันคืออิสระ ไม่ผูกกับ AI ยี่ห้อไหน
• เลือก BrowserClaw ถ้าอยากได้ browser ที่ client มาตรฐานตัวไหนก็ต่อเข้ามาขับได้ทันที ไม่ต้องเขียนสคริปต์เชื่อมเอง แถมได้ตัวกันโดนหลอกและตัวเลขต้นทุนติดมาในตัว

เริ่มยังไงดี

ไม่ต้องรีบวางระบบใหญ่ ลองตัวเดียวก่อนกับงานจริงเล็ก ๆ สักอย่าง เช่นให้ไปดึงรายการอะไรสักอย่างจากหน้าเว็บที่ต้องล็อกอินก่อนถึงจะเห็น

1. ถ้ามี agent อยู่ในมือแล้ว เริ่มที่ ego ให้มันยืม browser ที่ล็อกอินไว้แล้วลองดึงข้อมูลออกมาสักหน้า
2. ถ้ายังไม่มี agent เป็นตัวเป็นตน อยากให้ client มาตรฐานขับ เริ่มที่ BrowserClaw เปิดแล้วต่อ client เข้าไปที่ MCP server ของมัน
3. อยากรู้ว่าประหยัด token แค่ไหน ให้เปิดตัววัดของ BrowserClaw ดู แต่ต้องบังคับ agent ให้ใช้ evaluate กับ grep เจาะจง อย่าปล่อยให้มันดึงทั้งหน้ามาทุกก้าว ไม่งั้นตัวเลขที่ได้จะไม่ต่างจากถ่าย screenshot

พอลองเองสักรอบ ก็จะเห็นว่า "AI agent browser" ไม่ใช่ของวิเศษที่เสียบแล้วประหยัดทันที คำถามจริง ๆ ไม่ใช่ว่า browser ตัวไหนเก่งกว่า แต่เป็นว่างานของเราให้ AI ขับแบบไหน แล้วเราคุมให้มันขับแบบประหยัดได้แค่ไหน เท่านั้นเอง