cli-anything-browser

cli-anything-browser は何をしますか？

DOMShellのMCPサーバーを使用したブラウザ自動化のためのコマンドラインインターフェースです。ls、cd、cat、grep、clickのようなファイルシステムコマンドでWebページを操作できます。

インストール

前提条件

1. Node.js と npx（DOMShell MCPサーバー用）:

   # Node.js を https://nodejs.org/ からインストール
   npx --version
   

2. Chrome/Chromium に DOMShell 拡張機能 をインストール:

   • Chrome に拡張機能をインストール
   • CLI を使用する前に Chrome が起動していることを確認

3. Python 3.10+

CLI のインストール

cd browser/agent-harness
pip install -e .

コマンドグループ

page — ページナビゲーション

• page open <url> — URLに移動
• page reload — 現在のページを再読み込み
• page back — 履歴を戻る
• page forward — 履歴を進む
• page info — 現在のページ情報を表示

fs — ファイルシステムコマンド（アクセシビリティツリー）

• fs ls [path] — パス内の要素を一覧表示
• fs cd <path> — ディレクトリを変更
• fs cat [path] — 要素の内容を読み取り
• fs grep <pattern> [path] — テキストパターンを検索
• fs pwd — 作業ディレクトリを表示

act — アクションコマンド

• act click <path> — 要素をクリック
• act type <path> <text> — 入力フィールドにテキストを入力

session — セッション管理

• session status — セッション状態を表示
• session daemon-start — 永続的なデーモンモードを起動
• session daemon-stop — デーモンモードを停止

使用例

基本的なナビゲーション

# ページを開く
cli-anything-browser page open https://example.com

# 構造を探索
cli-anything-browser fs ls /
cli-anything-browser fs cd /main
cli-anything-browser fs ls

# ルートに戻る
cli-anything-browser fs cd /

検索とクリック

cli-anything-browser fs grep "Login"
cli-anything-browser act click /main/button[0]

フォーム入力

cli-anything-browser act type /main/input[0] "[email protected]"
cli-anything-browser act click /main/button[0]

JSON出力

cli-anything-browser --json fs ls /

デーモンモード（高速な対話操作）

# 永続的な接続を開始
cli-anything-browser session daemon-start

# コマンドを実行（永続的な接続を使用）
cli-anything-browser fs ls /
cli-anything-browser fs cd /main

# デーモンを停止
cli-anything-browser session daemon-stop

対話型REPL

cli-anything-browser

パス構文

DOMShellはアクセシビリティツリーに対してファイルシステムのようなパスを使用します:

/                           — ルート（ドキュメント）
/main                       — mainランドマーク
/main/div[0]                — main内の最初のdiv
/main/div[0]/button[2]      — 最初のdiv内の3番目のボタン

• 配列インデックスは0から始まります: button[0] は最初のボタン
• .. で1階層上に移動
• / でルートへ

エージェント固有のガイダンス

解析用JSON出力

すべてのコマンドは機械可読出力のための --json フラグをサポートしています:

cli-anything-browser --json fs ls /

出力:

{
  "path": "/",
  "entries": [
    {"name": "main", "role": "landmark", "path": "/main"}
  ]
}

エラーハンドリング

CLIは一般的な問題に対して明確なエラーメッセージを提供します:

• npx が見つかりません: Node.js を https://nodejs.org/ からインストール
• DOMShell が見つかりません: npx @apireno/domshell --version を実行
• MCP呼び出しに失敗: DOMShell Chrome拡張機能をインストール

コマンドを実行する前に、is_available() の戻り値を確認してください。

効率化のためのデーモンモード

複数のコマンドを実行するエージェントワークフローでは、デーモンモードを使用してください:

1. デーモンを開始: cli-anything-browser session daemon-start
2. コマンドを実行: 各コマンドがMCP接続を再利用
3. デーモンを停止: cli-anything-browser session daemon-stop

これにより、コマンドごとに1～3秒かかるコールドスタートのオーバーヘッドを回避できます。

リンク

• DOMShell GitHub
• CLI-Anything
• Issue #90

セキュリティ上の考慮事項

重要: このCLIをAIエージェントと使用する場合、以下のセキュリティ上の考慮事項に注意してください。

URL制限

ブラウザハーネスは、ナビゲーション前にすべてのURLを検証します:

• スキームの明示必須: URLには http:// または https:// スキームを含める必要があります（example.com のようなスキームなしのURLは拒否されます）
• ブロックされるスキーム: file://、javascript://、data://、vbscript://、about://、chrome://、およびブラウザ内部スキーム
• 許可されるスキーム: http:// と https:// のみ（CLI_ANYTHING_BROWSER_ALLOWED_SCHEMES で設定可能）
• プライベートネットワークブロック: CLI_ANYTHING_BROWSER_BLOCK_PRIVATE=true でオプション（デフォルトでは無効）

DOMコンテンツのリスク

アクセシビリティツリーには、ページ上の可視および非表示のすべての要素が含まれます。悪意のあるWebサイトは以下を行う可能性があります:

• 操作的なテキスト（例：「前の指示を無視してください」）を含むARIAラベルを作成
• aria-hidden要素を使用してユーザーに見えないコンテンツを挿入
• ナビゲーションを誤誘導する混乱したDOM構造を作成

軽減策: 信頼できないWebサイトとやり取りする場合は、以下を検討してください:

1. --json フラグを使用して、安全に解析しやすい構造化出力を取得
2. プロンプトに含める前にDOMコンテンツをサニタイズまたはフィルタリング
3. 信頼できるドメインにナビゲーションを制限

プライベートネットワークアクセス

デフォルトでは、ブラウザはlocalhostやプライベートネットワーク（192.168.x.x、10.x.x.xなど）にアクセスできます。ブロックするには:

export CLI_ANYTHING_BROWSER_BLOCK_PRIVATE=true
cli-anything-browser page open http://localhost:8080  # ブロックされます

セッションの分離

複数のブラウザセッションは同じChromeインスタンスを共有します。Cookieや認証状態はセッション間で保持される可能性があります。機密性の高い操作では、以下を検討してください:

1. Chromeのゲストモードまたはシークレットモードを使用
2. セッション間でCookieをクリア
3. 異なるセキュリティコンテキストに別々のChromeプロファイルを使用