چگونه ایجنت‌های هوش مصنوعی مدل شیء دسترسی‌پذیری را به وب‌گردی خودکار تبدیل می‌کنند

وقتی یک ایجنت خودکار هوش مصنوعی برای رزرو پرواز یا استخراج یک مجموعه داده وارد یک صفحه وب می‌شود، موفقیت آن عملیات به ندرت توسط قابلیت‌های استدلالی مدل زبانی زیربنایی تعیین می‌شود. در واقع، نتیجه کار میلی‌ثانیه‌ها قبل‌تر مشخص می‌شود؛ در طول یک مرحله ترجمه بی‌صدا که در آن موتور رندر مرورگر، نویزهای بصری را حذف می‌کند تا درخت دسترسی‌پذیری را بسازد. این ساختار داده موازی و نامرئی تعیین می‌کند که آیا ایجنت می‌تواند عناصر تعاملی روی صفحه را درک کند یا خیر. اگر این درخت تمیز و از نظر معنایی دقیق باشد، ایجنت می‌تواند سایت را بی‌نقص پیمایش کند. اگر درخت خراب یا ناقص باشد، ایجنت عملاً نابینا است، فارغ از اینکه چند میلیارد پارامتر لایه تصمیم‌گیری آن را تغذیه می‌کنند. این مرحله ترجمه، گلوگاه قطعی در اتوماسیون وب مدرن است که بار سازگاری ایجنت‌ها را مستقیماً بر دوش توسعه‌دهندگان فرانت‌اند وب می‌اندازد.[6]

مشکل اساسی در وب‌گردی ایجنت‌ها، مقیاس عظیم مدل شیء سند (DOM) خام است. دام یک صفحه وب مدرن، سلسله‌مراتبی گسترده از کانتینرهای چیدمان، قلاب‌های استایل‌دهی و اسکریپت‌های ردیابی است که حجم آن اغلب بین ۱۰,۰۰۰ تا ۱۰۰,۰۰۰ توکن متغیر است. در سایت‌های رسانه‌ای بسیار پیچیده، مانند صفحه اصلی سی‌ان‌ان (CNN)، دام خام می‌تواند از ۱.۵ میلیون توکن فراتر رود. تغذیه مستقیم این اچ‌تی‌ام‌ال (HTML) فیلترنشده به یک مدل زبانی بزرگ، باعث اضافه‌بار شدید اطلاعات می‌شود. حتی با وجود پنجره‌های زمینه گسترده در مدل‌های پیشرفته، پردازش کامل دام منجر به کوتاه شدن توکن‌ها، کاهش توجه و هزینه‌های بازدارنده تأخیر می‌شود. مدل، رد عناصر تعاملی واقعی را که در میان هزاران خط کد تزئینی مدفون شده‌اند، گم می‌کند.[3][5]

برای دور زدن این گلوگاه، لایه‌های اجرایی ایجنت‌های وب مدرن—یعنی مرورگرهای بدون هد (headless) که در واقع کلیک‌ها و فشردن کلیدها را انجام می‌دهند—تا حد زیادی تجزیه دام خام را کنار گذاشته‌اند. در عوض، فریم‌ورک‌هایی مانند پروتکل زمینه مدل پلی‌رایت (Playwright) مایکروسافت و ابزارهای توسعه‌دهنده کروم (Chrome DevTools)، درخت دسترسی‌پذیری مرورگر را رهگیری می‌کنند. درخت دسترسی‌پذیری که در اصل برای پشتیبانی از فناوری‌های کمکی مانند صفحه‌خوان‌ها مهندسی شده بود، نسخه ساده‌شده‌ای از صفحه وب است که هیچ اطلاعات بصری در خود ندارد. بر اساس تحلیل فنی منتشر شده توسط نو هکس (No Hacks) در فوریه ۲۰۲۶: «در حالی که دام کامل شامل هر تگ div، span، استایل و اسکریپت است، درخت دسترسی‌پذیری نویزها را حذف کرده و تنها آنچه را که اهمیت دارد نمایان می‌کند: عناصر تعاملی، نقش‌ها، نام‌ها و وضعیت‌های آن‌ها.»[2]

با تکیه بر این داده‌های ساختاریافته، لایه اجرایی می‌تواند یک شناسه منحصربه‌فرد و قطعی—که اغلب به عنوان «مرجع» (ref) شناخته می‌شود، مانند @e1 یا @e2—را به هر گره تعاملی اختصاص دهد. مدل زبانی این نمایش متنی بسیار فشرده را دریافت می‌کند که معمولاً به جای ۵,۰۰۰ توکن مورد نیاز برای دام کامل، تنها ۲۰۰ تا ۴۰۰ توکن مصرف می‌کند. سپس مدل درباره هدف خود استدلال کرده و یک فراخوانی ابزار با ارجاع به همان شناسه دقیق صادر می‌کند. لایه اجرایی، شناسه را به گره دام مربوطه نگاشت کرده و کلیک یا ورودی متن را اجرا می‌کند. این سیستم مرجع معنایی همان چیزی است که به ایجنت‌هایی مانند اطلس (Atlas) اوپن‌ای‌آی و کومت (Comet) پرپلکسیتی اجازه می‌دهد تا برنامه‌های پیچیده وب را بدون توهم مختصات، به شکلی قابل اعتماد پیمایش کنند.[2][4]

استانداردسازی این فرآیند توسط پروتکل زمینه مدل (MCP) هدایت می‌شود؛ یک معماری متن‌باز که راهی جهانی برای اتصال مدل‌های زبانی به ابزارهای خارجی فراهم می‌کند. به عنوان مثال، MCP ابزارهای توسعه‌دهنده کروم، دسترسی مستقیم به ردیابی‌های عملکرد مرورگر و درخت‌های کامل دسترسی‌پذیری را برای ایجنت‌ها فراهم می‌کند. این امر به ایجنت اجازه می‌دهد تا به جای تعاملات مبتنی بر مختصات، با استفاده از مراجع معنایی عناصر عمل کند و لایه ادراک را از لایه استدلال جدا سازد. با استانداردسازی نحوه ارائه درخت دسترسی‌پذیری به مدل، پروتکل زمینه مدل تضمین می‌کند که یک ایجنت ساخته شده توسط یک شرکت می‌تواند به طور یکپارچه مرورگری را که توسط شرکت دیگری میزبانی می‌شود، کنترل کند؛ به شرطی که HTML معنایی زیربنایی آن سالم باشد.[4]

وقتی درخت دسترسی‌پذیری ضعیف ساخته شده باشد، ایجنت‌ها مجبور می‌شوند به روش‌های ادراکی جایگزین و کمتر قابل اعتماد پناه ببرند. رایج‌ترین روش جایگزین، تحلیل مبتنی بر بینایی است که توسط ابزارهایی مانند کلاود کامپیوتر یوز (Claude Computer Use) آنتروپیک استفاده می‌شود؛ این ابزار یک اسکرین‌شات واقعی از صفحه رندر شده می‌گیرد و برای شناسایی دکمه‌ها و پیوندها به یک مدل بینایی متکی است. اگرچه مدل‌های بینایی می‌توانند چیدمان‌های بصری فاقد نشانه‌گذاری معنایی را تفسیر کنند، اما زمان اجرای قابل‌توجهی را به سیستم تحمیل کرده و در اجرای قطعی با مشکل مواجه می‌شوند. یک مدل بینایی ممکن است دکمه‌ای را از نظر بصری به درستی شناسایی کند، اما اگر چیدمان صفحه در طول تعامل به صورت پویا جابجا شود، در محاسبه دقیق کادر قابل کلیک آن شکست می‌خورد.[1][4]

پژوهشگران همچنین در حال بررسی فیلترسازی برنامه‌نویسی‌شده برای فشرده‌سازی دام در مواقعی هستند که درخت دسترسی‌پذیری کافی نیست. مقاله‌ای در نوامبر ۲۰۲۵ روشی به نام پرونه‌فوروب (Prune4Web) را معرفی کرد که از اسکریپت‌های سبک پایتون برای فیلتر کردن پویای دام بر اساس نشانه‌های معنایی استفاده می‌کند. با واگذاری پیمایش و امتیازدهی به برنامه‌های اجرایی به جای مجبور کردن مدل زبانی به خواندن HTML خام، پرونه‌فوروب به کاهش ۲۵ تا ۵۰ برابری در عناصر کاندید دست یافت. به طور مشابه، در اوت ۲۰۲۵، وب‌فیوز (Webfuse) تکنیکی به نام «کاهش نمونه‌برداری دام» (DOM Downsampling) را معرفی کرد که گره‌های مجاور را میانگین‌گیری می‌کند تا در ازای کاهش وفاداری ساختاری، ردپای توکن کوچک‌تری ایجاد کند و در عین حال ساختار سند معتبری را حفظ نماید.[3][5]

با وجود این جایگزین‌های آزمایشی، صنعت تجاری به سرعت در حال همگرایی به سمت درخت دسترسی‌پذیری به عنوان رابط استاندارد برای وب ایجنت‌محور است. مایکروسافت عمداً داده‌های دسترسی‌پذیری را به جای رندر بصری برای استاندارد اتوماسیون مرورگر خود انتخاب کرد و خاطرنشان ساخت که پلی‌رایت صرفاً روی داده‌های ساختاریافته کار می‌کند و نیازی به مدل‌های بینایی ندارد. مستندات رسمی اوپن‌ای‌آی برای ایجنت چت‌جی‌پی‌تی اطلس (ChatGPT Atlas) به صراحت بیان می‌کند که از تگ‌های آریا (ARIA)—همان برچسب‌ها و نقش‌هایی که از صفحه‌خوان‌ها پشتیبانی می‌کنند—برای تفسیر ساختار صفحه استفاده می‌کند. برای ماشین، دسترسی‌پذیری و خوانایی دقیقاً به یک مسئله مهندسی واحد تبدیل شده‌اند.[1][2]

این همگرایی معماری، انگیزه‌های توسعه وب را به طور بنیادین تغییر می‌دهد. بر اساس گزارش ربات‌های مخرب ایمپروا (Imperva) در سال ۲۰۲۵، ترافیک خودکار برای اولین بار در سال ۲۰۲۴ از ترافیک انسانی پیشی گرفت و ۵۱ درصد از کل تعاملات وب را تشکیل داد. اگرچه همه این ترافیک نشان‌دهنده وب‌گردی پیشرفته ایجنت‌ها نیست، اما مسیر روشن است: مخاطبان غیرانسانی برای یک وب‌سایت متوسط اکنون بزرگ‌تر از مخاطبان انسانی هستند. وب‌سایت‌هایی که هدف خود را منحصراً از طریق پیکسل‌های نقاشی‌شده، چیدمان‌های بصری و انیمیشن‌های سی‌اس‌اس (CSS) منتقل می‌کنند، عملاً برای سریع‌ترین بخش در حال رشد مصرف‌کنندگان وب نامرئی هستند.[2]

خطرات این موضوع به ویژه برای پلتفرم‌های تجارت الکترونیک بالاست؛ جایی که وب‌گردی ایجنت‌ها در حال گذار از یک نوآوری پژوهشی به یک کانال درآمدی اصلی است. ایجنت‌های هوش مصنوعی به طور فزاینده‌ای وظیفه تحقیق درباره محصولات، مقایسه قیمت‌ها در میان فروشندگان متعدد و اجرای جریان‌های پیچیده و چندمرحله‌ای پرداخت را به صورت خودکار بر عهده دارند. اگر دکمه پرداخت یک خرده‌فروش آنلاین فاقد نقش ARIA یا نام قابل دسترس مناسب باشد، ایجنت نمی‌تواند خرید را تکمیل کند. این تراکنش در سکوت با شکست مواجه می‌شود، بدون اینکه پیام خطایی به یک کاربر انسانی که ممکن است راه حلی پیدا کند، ارائه شود. در وب ایجنت‌محور، دسترسی‌پذیری ضعیف مستقیماً به سبدهای خرید رهاشده و از دست دادن سهم بازار ترجمه می‌شود.[1][2]

در نتیجه، پایه و اساس سازگاری ایجنت‌ها، HTML معنایی است. گزارش نو هکس نتیجه‌گیری می‌کند: «مؤثرترین کاری که می‌توانید برای سازگاری ایجنت‌های هوش مصنوعی انجام دهید، همان کاری است که حامیان دسترسی‌پذیری وب دهه‌ها برای آن تلاش کرده‌اند.» وقتی توسعه‌دهندگان از عناصر بومی HTML مانند `<button>` و `<nav>` استفاده می‌کنند، مرورگر به طور خودکار یک درخت دسترسی‌پذیری تمیز و دقیق تولید می‌کند. وقتی آن‌ها به تگ‌های تودرتوی `<div>` با کنترل‌کننده‌های کلیک جاوا اسکریپت سفارشی متکی می‌شوند، درخت حاصل ناقص و گمراه‌کننده خواهد بود که باعث توقف ایجنت یا شکست کامل وظیفه می‌شود. آینده اتوماسیون وب خودکار کاملاً به استانداردهایی متکی است که در اصل برای ناتوانی‌های انسانی ساخته شده‌اند و دسترسی‌پذیری وب را از یک چک‌لیست انطباق، به رابط برنامه‌نویسی واقعی برای اینترنت هوش مصنوعی تبدیل می‌کنند.[2][6]