Browser MCP: Cursor, Claude, VS Code के साथ ब्राउज़र ऑटोमेशन

 (browsermcp.io)
2 पॉइंट द्वारा GN⁺ 2025-04-08 | 1 टिप्पणियां | WhatsApp पर शेयर करें
  • Browser MCP AI apps और उपयोगकर्ता के ब्राउज़र को जोड़ता है, ताकि form filling, testing और दोहराए जाने वाले web tasks को automate किया जा सके
  • ऑटोमेशन लोकल मशीन पर चलता है, जिससे network latency कम होती है और ब्राउज़र activity remote server पर नहीं भेजी जाती
  • मौजूदा browser profile को वैसे ही इस्तेमाल करके login state बनाए रखी जा सकती है, और वास्तविक browser fingerprint के ज़रिए बुनियादी bot detection और CAPTCHA से बचा जा सकता है
  • शुरुआत की प्रक्रिया 3 चरणों में है: browser extension install करना, AI application में MCP server जोड़ना, और automation workflow बनाना
  • यह URL पर जाना, click, drag and drop, snapshot, screenshot, console logs देखना जैसी browser control के लिए ज़रूरी tools देता है

सिर्फ AI apps से मुश्किल ब्राउज़र कार्यों का ऑटोमेशन

  • वेबसाइट पर बार-बार form भरने जैसे browser interaction वाले automation tasks को केवल Cursor या Claude जैसे AI apps से संभालना मुश्किल होता है
  • Browser MCP AI apps को उपयोगकर्ता के ब्राउज़र से जोड़ता है, ताकि वे web tasks को उसकी ओर से पूरा कर सकें
  • इसके दो मुख्य use cases हैं
    • automation testing: AI editor end-to-end तरीके से code test करता है, user flow और UI elements को verify करता है, और कई scenarios में application behavior की जाँच करता है
    • task automation: data collection, form filling, workflow automation जैसे दोहराए जाने वाले web-based tasks को संभालता है

इंस्टॉलेशन फ्लो और लोकल रनिंग मॉडल

  • शुरुआत 3 चरणों से होती है
    • Browser MCP extension को ब्राउज़र में install करें
    • Browser MCP MCP server को AI application में जोड़ें और उसे browser extension से connect करें
    • AI assistant को ब्राउज़र के अंदर दोहराए जाने वाले tasks संभालने देने के लिए automation workflow बनाना शुरू करें
  • ऑटोमेशन उपयोगकर्ता की लोकल मशीन पर चलता है
    • इसका लक्ष्य बेहतर performance और कम network latency है
    • ब्राउज़र activity remote server पर नहीं भेजी जाती और डिवाइस पर ही रहती है
    • मौजूदा browser profile का उपयोग करके services में login state बनाए रखी जाती है
    • वास्तविक browser fingerprint का उपयोग करके बुनियादी bot detection और CAPTCHA से बचा जाता है

उपलब्ध tools और supported targets

  • यह browser control के लिए ज़रूरी tools देता है
    • Navigate, Go Back, Go Forward, Wait
    • Press Key, Click, Drag & Drop, Hover, Type Text
    • Snapshot, Screenshot, Get Console Logs
  • supported targets में Cursor, Claude, Windsurf, VSCode शामिल हैं
  • दस्तावेज़ Documentation पर देखे जा सकते हैं

संबंधित पढ़ाई

1 टिप्पणियां

 
GN⁺ 2025-04-08
Hacker News की राय

  • [!warning!] इस प्रोजेक्ट का Chrome extension PostHog और Amplitude को विस्तृत remote telemetry data भेजता है: https://storage.googleapis.com/cobrowser-images/telemetry.pn..., https://storage.googleapis.com/cobrowser-images/pings.png
    साथ ही local MCP server का source शामिल है, लेकिन Chrome extension का source नहीं है, और ऐसा लगता है कि https://github.com/ruifigueira/playwright-crx को बिना attribution के bundle किया गया है, इसलिए यह काफी संदिग्ध है

    • मैं Browser MCP का creator हूं। extension anonymous device ID का इस्तेमाल करता है और tool calls इस्तेमाल होने पर analytics events भेजता है
      network traffic देखने पर आप पुष्टि कर सकते हैं कि कोई भी personalized या identifiable जानकारी बिल्कुल नहीं भेजी जाती। उद्देश्य बस anonymized usage data इकट्ठा करके यह समझना है कि extension कितना इस्तेमाल हो रहा है, जैसे websites visitors की गिनती करती हैं। मैं कई projects के बीच अपना समय बांटता हूं, इसलिए active users की संख्या जानना यह तय करने में मदद करता है कि किस पर focus करना है
      extension पूरी तरह मैंने खुद लिखा है, और अभी repository में सिर्फ MCP server क्यों है, यह मैंने इस GitHub issue में लिखा है: https://github.com/BrowserMCP/mcp/issues/1#issuecomment-2784...
      संक्षेप में, मैं एक monorepo इस्तेमाल करता हूं जिसमें सभी extensions द्वारा share किया गया code है, इसलिए केवल इस extension को अलग करना और कई monorepos को sync करके maintain करना काफी काम होगा। project structure से असंतोष हो सकता है, लेकिन इसमें कोई malicious चीज नहीं है
    • अगर यहां “विस्तृत” से मतलब anonymous deviceId और tool call count counter है, तो आप किसी app द्वारा basic usage insights पाने की कोशिश को भी समस्या बना रहे हैं
    • install करने लायक Chrome extensions सिर्फ वे हैं जिन्हें source से खुद build किया जा सके

  • website दावा करती है कि यह “real browser fingerprint का इस्तेमाल करके bot detection और CAPTCHA से बचता है,” लेकिन असल में ऐसा नहीं हुआ
    कुछ हफ्ते पहले मैंने इसी तरह का अपना system बनाया था, जिसमें AI को logged-in session में browser control करने दिया। इसके बाद, उन sessions में भी CAPTCHA आने लगे जिन्हें इंसान खुद इस्तेमाल कर रहा था, और आखिरकार कई websites पर block हो गया। उस तरीके से browser session इस्तेमाल करना बंद करने पर समय के साथ blocks हट गए, लेकिन यह तरीका कोई universal solution नहीं है और आप अपनी access permissions भी खो सकते हैं

    • इस तरह की चीजों की precondition आमतौर पर “high-quality proxy इस्तेमाल करने पर” होती है
      साथ ही यह extension काफी आसानी से दिख जाने वाला लगता है, इसलिए Cloudflare bot detection को इसे Playwright जैसी चीजों की तरह पकड़ने में ज्यादा समय नहीं लगेगा
    • यह extension browser में debugging enable करता है, और automation चलने का banner दिखता है। JavaScript से इसका पता लगाया जा सकता है
      इसलिए ऐसा project मौजूद है: https://github.com/Kaliiiiiiiiii-Vinyzu/patchright. यह JavaScript से debugging वाला हिस्सा छिपा देता है
    • यह website elements पर click करने की speed पर भी निर्भर हो सकता है
    • मुझे उत्सुकता है कि किन चीजों को देखकर जल्दी detect किया जा सकता है। उदाहरण के लिए, mouse movement track करके यह calculate किया जा सकता है कि movement बहुत साफ-सुथरा तो नहीं है, और mouse movement में ज्यादा human-like noise डालने से bypass बेहतर हो सकता है
      बहुत सारे actions बहुत तेजी से करना भी समस्या है, लेकिन actions के बीच timing भी एक संभावना है। भले ही हर click तेज न हो, अगर delay बहुत ज्यादा नियमित है तो वह भी एक non-human signal बन जाता है
    • CAPTCHA होने की वजह खुद यह भी है कि लोगों पर automation tools को ठीक से इस्तेमाल करने का भरोसा नहीं किया जा सकता
      “bot detection और CAPTCHA से बचता है” का मतलब आखिरकार यही है कि ऐसी व्यवस्था तुम जैसे लोगों की वजह से मौजूद है। अगर सच में access चाहिए तो API के लिए request करनी चाहिए, और शायद payment करना पड़े या न करना पड़े। मिल भी सकता है और site owner मना भी कर सकता है, और उस स्थिति में तुम्हें मान लेना चाहिए कि तुम्हारा behavior या use case welcome नहीं है

  • लगता है मैं बस एक दिन सोया था और अब MCP हर जगह दिख रहा है। मुझे नहीं पता MCP क्या है, और अब इस point पर पूछने से भी डर लग रहा है

    • MCP, LLM model को “call” कर सकने वाली method library/API देने का तरीका है
      अगर आप model को method names, parameters, output types और उनका purpose बता दें, तो LLM MCP server से function call करने को कहता है, result देखता है, और जरूरत हो तो अगला function call करता है। अभी ChatGPT से यह कहना मुश्किल है कि “मेरे account से Google Maps खोलो, New York के पास bicycle shops search करो और phone numbers लाओ,” लेकिन browser MCP हो तो ChatGPT browser को “Google Maps खोलो”, “screenshot दिखाओ”, “उस location पर click करो” जैसी instructions भेज सकता है
    • सबसे बुरी बात यह है कि यह संभावित vulnerabilities का Pandora's box खोल देता है: https://elenacross7.medium.com/%EF%B8%8F-the-s-in-mcp-stands...
    • MCP एक standard है, जिससे AI model में useful tools plug किए जा सकते हैं ताकि model उनका इस्तेमाल कर सके
      आम लोगों के लिए concept थोड़ा उलटा और non-intuitive है, लेकिन developers को यह अपने इस्तेमाल के tools जैसा दिखता है, इसलिए वे confusion ज्यादा महसूस नहीं करते
    • MCP व्यापक रूप से adopt हो रहा है, लेकिन यह grassroots movement नहीं है। consensus बनने से पहले मौजूदा AI companies द्वारा developers की mindshare और market share कब्जाने के लिए तेजी से entry करने जैसा ज्यादा लगता है
    • यह LLM-specific remote procedure call (RPC) है। और आज की वह नई hype भी है जो पूरी दुनिया में फैल रही है

  • अच्छा होगा अगर किसी shopping site पर हम browser से कह सकें, “इस list के सभी sideboards देखो और सिर्फ वे filter करो जो 155cm से बड़े और 100cm से छोटे हों। dark wood वाले और 31.43cm ऊँचे vinyl record रखने की जगह वाले items को priority दो।”
    अगर page से detail extract की जा सके तो यह बहुत उपयोगी लगेगा, और मुझे जिज्ञासा है कि क्या ऐसा कर सकने वाला browser पहले से है

    • मैं MatterRank नाम की मिलती-जुलती चीज़ बना रहा हूँ, अभी यह web search में काम करती है
      जैसे, “X को cover करने वाले और Y tendency वाले results को priority दो, और कुछ बेचने की कोशिश करने वाले results को नीचे करो” जैसा। https://matterrank.ai पर इस्तेमाल करके देख सकते हैं
      आप जो use case सोच रहे हैं, उसके बारे में और सुनना चाहूँगा। क्या यह उस site पर काम करने वाला browser extension है जिसे आप पहले से देख रहे हैं, ऐसी functionality देने वाली shopping aggregation service है, या कोई बिल्कुल अलग रूप?
    • browser-use से यह किया जा सकता है: https://browser-use.com/
    • interior design करते समय बहुत specific prompt से मेल खाने वाली चीज़ें खोजने में मेरी निश्चित रूप से रुचि है

  • अच्छा बनाया है। Claude Desktop में test करने पर यह smooth काम करता दिखा और Playwright की तुलना में बहुत कम cumbersome था। यह सही दिशा में जा रहा है
    पता नहीं आपने पहले से किया है या नहीं, लेकिन अगर page पर CAPTCHA detect हो तो automation को pause करके user को बता दे कि intervention की जरूरत है, तो अच्छा होगा। Playwright CAPTCHA पर भी आगे बढ़ने की कोशिश करता रहता है

  • web से जानकारी ढूँढकर results को Google Sheets spreadsheet में डालने का काम शुरू में लगभग perfect हुआ, लेकिन उसके बाद 8–10 attempts में पूरी तरह fail हो गया
    मुझे शक है कि browser में हो रही activity और MCP app, यहाँ Claude Desktop, के बीच latency issue है। पहले attempt में मैंने “Allow for this chat” permission काफी जल्दी दबा दी थी, और बाद में permission दबाने तक LLM कुछ ऐसा report कर रहा था, “लगता है click में problem हुई। मैं किसी दूसरे reference से फिर try करूँगा”
    पहले attempt में Google spreadsheet title पर click करके नाम type करना जैसे actions perfect हुए थे, लेकिन बाद के attempts में 100% fail हुए। A1, B1 जैसे cell पहचानना और row input भी वैसा ही था। experience अपने आप में बहुत smooth है और configuration व execution शानदार हैं, लेकिन latency और allow button click करने की speed के कारण Claude Desktop में यह practically इस्तेमाल करना मुश्किल लगता है

    • Google Sheets जैसा rich UI किसी general-purpose browser automation MCP server के लिए खराब use case लगता है
      अच्छा होगा अगर ऐसा MCP server हो, लेकिन LLM को Google Sheets cells read/write करने के specific tools भी दे। webpage के साथ सामान्य रूप से interact करने के बजाय ज्यादा specific abstraction दी जाए तो ऐसे tasks यह कहीं बेहतर handle करेगा
    • मैंने Google Sheets MCP पर काम किया है, और data scraping के लिए Claude की built-in search functionality का इस्तेमाल करके यह काफी अच्छा चला
      example: https://x.com/xing101/status/1903391600040083488
      setup: https://github.com/xing5/mcp-google-sheets
    • आपने जो अनुभव किया उसे आम तौर पर किस्मत कहा जाता है
      यही वजह है कि लोग लगातार सोचते रहते हैं कि नया ChatGPT version nerf हो गया है। असल में शुरुआत में किस्मत अच्छी थी, और उस positive first result के आधार पर unrealistic expectations बन गईं। यह bug या defect नहीं, बल्कि आपके desired action को perform करने की statistical probability कम थी और first turn में अच्छा dice roll आ गया
    • मेरे मामले में Google Sheets में यह कहीं भी click नहीं कर पाया। यह error आता है
      --Error: Cannot access a chrome-extension:// URL of different extension

  • ऐसी चीज़ों से expense reimbursement जैसे manual कामों के लिए सच में उम्मीद है। हर महीने service provider sites पर जाकर login करना, statement ढूँढकर download करना, details भरकर Google document बनाना, download करना, और फिर नया email लिखकर सभी files upload करनी पड़ती हैं
    attachment सही है या नहीं यह फिर से check करने के लिए कई बार email में सीधे नहीं देख पाता, इसलिए फिर download करना पड़ता है। automation अपने आप में पहले से possible है, और कोई ठीक-ठाक expense tracking app इस काम का आधा हिस्सा खत्म कर सकता है, लेकिन AI tools में छोटी-मोटी statement-writing की burden को काफी घटाने की potential है। ऐसे workflows में छोटे changes अक्सर आते रहते हैं, इसलिए यह खास तौर पर important है

  • यहाँ मौजूद ज्यादातर लोगों के लिए यह obvious हो सकता है, लेकिन MCP server चलाने के लिए Node.js installed होना चाहिए। यह important detail setup guide में नहीं है

  • मैंने मिलती-जुलती चीज़ बनाई है, जो hardware synthesizer को control करके actual knobs छुए बिना sound design करने देती है: https://github.com/zerubeus/elektron-mcp

    • अच्छा idea है
      plugins को remotely control करने और LLM से existing tools के साथ mastering और timbre adjustment करवाने की कल्पना की जा सकती है। VST के complex और बहुत ज्यादा graphical UI performance barrier हो सकते हैं, लेकिन labeled MIDI mapping interface से connect करके knobs और levels control किए जा सकते हैं

  • screenshots पर निर्भर रहने के बजाय Chrome DevTools के accessibility tree से page navigate कर सके तो अच्छा होगा: https://developer.chrome.com/blog/full-accessibility-tree

    • असल में आपने उल्टा समझा है। अभी screenshots नहीं हैं, सिर्फ accessibility tree है