Bài 1 — Browser-use & Computer-use là gì và khi nào nên dùng

Hãy tưởng tượng bạn phải tải báo cáo doanh thu từ một cổng thông tin nội bộ cũ kỹ mỗi sáng: đăng nhập, chọn tháng, bấm Export, tải file, đổi tên, gửi email. Không có API. Đó chính là địa hạt của browser-use và computer-use agents — agent "nhìn" màn hình và "thao tác" như một con người.

Phân biệt hai khái niệm

• Browser-use agent: điều khiển trình duyệt (Chromium/Firefox) thông qua tự động hóa như Playwright/Puppeteer. Agent làm việc với DOM, selector, URL, click, gõ phím — phạm vi gói gọn trong web.
• Computer-use agent: điều khiển toàn bộ máy tính qua ảnh chụp màn hình và tọa độ chuột/bàn phím (ví dụ Anthropic Computer Use). Mở app desktop, kéo thả file, thao tác phần mềm không phải web.

Browser-use là tập con hẹp hơn, ổn định hơn (có DOM để bám vào). Computer-use rộng hơn nhưng mong manh hơn vì chỉ dựa vào pixel.

Khi nào nên dùng agent thay vì code cứng

Một script Playwright "cứng" (hardcode selector) chạy nhanh, rẻ, ổn định — nhưng gãy ngay khi giao diện đổi. Agent (LLM ra quyết định từng bước) linh hoạt hơn với web lạ, nhưng chậm, tốn token, khó lường.

Quy tắc chọn công cụ
- Tác vụ lặp lại, ổn định, cùng một web  -> Script cứng (Playwright thuần)
- Web thay đổi thường xuyên / nhiều biến thể -> Agent browser-use
- Không có DOM (app desktop, Citrix, remote) -> Computer-use
- Có API chính thức                          -> DÙNG API, đừng dùng agent

Ví dụ cụ thể

Tác vụ: "Lấy giá 5 sản phẩm cạnh tranh mỗi ngày".

• Nếu 5 web đó ổn định → viết script cứng, rẻ nhất.
• Nếu là 50 web nhỏ lẻ, cấu trúc khác nhau → agent browser-use tự tìm ô giá tốt hơn viết 50 script.

Vòng lặp cốt lõi của mọi agent

Dù browser hay computer, agent đều chạy vòng lặp:

1. OBSERVE  - chụp trạng thái (screenshot / DOM / accessibility tree)
2. THINK    - LLM suy luận: mình đang ở đâu, bước tiếp theo?
3. ACT      - phát lệnh (click x,y / type / navigate)
4. VERIFY   - kiểm tra kết quả, lặp lại đến khi xong hoặc dừng

Các bước để bắt đầu tư duy đúng

• Viết rõ mục tiêu cuối dưới dạng kết quả kiểm chứng được ("file CSV có 5 dòng giá"), không phải "vào web xem giá".
• Kiểm tra xem có API chính thức không — nếu có, dừng lại và dùng API.
• Xác định tác vụ thuộc web hay desktop để chọn browser-use hay computer-use.
• Đánh giá độ ổn định giao diện: đổi thường xuyên thì nghiêng về agent, ổn định thì nghiêng về script.
• Ước lượng rủi ro & chi phí sai: nếu agent bấm nhầm thì mất gì? Đây quyết định mức giám sát.

Khung tư duy: thang "mức độ tự chủ"

• Mức 0: script cứng, con người chạy.
• Mức 1: agent đề xuất, con người bấm duyệt từng bước.
• Mức 2: agent tự chạy trong sandbox, con người xem log.
• Mức 3: agent tự chạy trên hệ thống thật, chỉ báo khi lỗi.

Luôn bắt đầu ở mức thấp rồi nâng dần khi đã tin tưởng.

Sai lầm thường gặp

• Dùng agent khi đã có API: đốt token và chuốc rủi ro cho việc một request HTTP giải quyết xong.
• Nhầm computer-use với browser-use: cố dùng computer-use cho web thuần khiến agent chậm và kém chính xác vì bỏ qua DOM.
• Bắt đầu ở mức tự chủ cao: thả agent chạy tự do trên tài khoản thật ngay từ đầu, dẫn tới thao tác không thể hoàn tác.
• Mục tiêu mơ hồ: không có tiêu chí kết thúc, agent lặp vô tận.

Bài sau, chúng ta dựng môi trường Playwright để agent có "đôi tay" thực sự.