DOMシリアライズにより高精度な自動ブラウジングを実現する一方、非標準UIでは不要なクリックループが発生。
1. エージェント推論アーキテクチャ:CometがWebページを自律操作する仕組み
CometはアクティブなタブのDOM構造を取得し、アクセシビリティツリー(Accessibility Tree)に変換してPerplexityのクラウドLLM推論基盤にリアルタイム送信します。モデルは意図を解析し、Chrome DevTools Protocol (CDP) の操作プリミティブ(クリック、スクロール、入力など)を発行します。
120のECサイトおよび技術ドキュメントを対象とした検証では、複数サイトからのスペック収集やMarkdown表の作成など、直線的なテキスト中心のタスクで極めて高い実用性を示しました。
しかし、Shadow DOMによる分離要素、無限スクロール、Canvas描画コンポーネント、二要素認証ポップアップなどの非標準Webパターンに直面すると、判断の遅延や空振りのクリックが発生し、手動での介入が必要となりました。


