پروکسی برای ایجنت‌های هوش مصنوعی browser-use و computer-use (راهنمای ۲۰۲۶)

سال ۲۰۲۶ سالی است که ایجنت‌های هوش مصنوعی دیگر دمو نیستند. browser-use، ایجنت‌های سبک Operator اوپن‌ای‌آی، computer use آنتروپیک و ده‌ها فریم‌ورک ساخته‌شده روی Playwright حالا مرورگرهای واقعی را در برابر سایت‌های واقعی هدایت می‌کنند — رزرو، خرید، تحقیق، پایش. و همه به یک دیوار می‌خورند: سایت‌هایی که روی آن‌ها کار می‌کنند آن‌ها را ربات می‌دانند، چون واقعاً ربات‌اند.

این راهنما به‌طور خاص لایهٔ پروکسی برای ایجنت‌های هوش مصنوعی مرورگرگردان را پوشش می‌دهد. اگر ایجنت شما به‌جای مرورگر از کتابخانه‌های HTTP استفاده می‌کند (ابزارهای LangChain، اسکرپرهای درون CrewAI)، پروکسی برای ایجنت‌های هوش مصنوعی: LangChain، AutoGPT و CrewAI را ببینید — این مقاله دربارهٔ ایجنت‌هایی است که یک مرورگر کامل را کنترل می‌کنند.

چرا ایجنت‌های مرورگری سریع‌تر از اسکرپرها مسدود می‌شوند

برخلاف انتظار اما درست: یک ایجنت LLM که یک مرورگر واقعی Chrome را هدایت می‌کند اغلب سریع‌تر از یک اسکرپر ساده پایتونی مسدود می‌شود. سه دلیل:

1. IP دیتاسنتر + مرورگر بی‌نقص = ناهماهنگی. fingerprint مرورگر می‌گوید «Chrome واقعی روی سخت‌افزار واقعی»، اما IP متعلق به AWS یا GCP است — جایی که بیشتر ایجنت‌ها اجرا می‌شوند. فروشندگان anti-bot به ASN از نوع IP وزن سنگینی می‌دهند؛ یک fingerprint در حد مسکونی روی یک ASN دیتاسنتر یک امضای کتابی از خودکارسازی است.
2. ایجنت‌ها مثل ماشین retry می‌کنند. وقتی یک اکشن شکست می‌خورد، حلقهٔ LLM بلافاصله، از همان IP، با زمان‌بندی تقریباً یکسان دوباره تلاش می‌کند. سه retry سریع و یکسان، الفبای تشخیص رفتاری است.
3. CDP رد به‌جا می‌گذارد. بیشتر فریم‌ورک‌های ایجنت مرورگر را از طریق Chrome DevTools Protocol هدایت می‌کنند. سایت‌ها navigator.webdriver، آرتیفکت‌های زمان‌بندی خاص CDP و نشانه‌های headless را کاوش می‌کنند. ترکیب آن با یک IP پرچم‌خورده، امتیاز را فوراً از آستانهٔ مسدودسازی عبور می‌دهد.

IP ارزان‌ترین از این سه برای رفع کردن است، و رفع کردن آن به‌تنهایی بیشتر مسدودسازی‌ها را حل می‌کند: ایجنت را از طریق پروکسی مسکونی هدایت کنید تا روایت IP با روایت مرورگر بخواند.

راه‌اندازی: browser-use با پروکسی مسکونی

browser-use روی Playwright می‌نشیند، پس پشتیبانی پروکسی بومی است. الگو: یک سشن sticky به‌ازای هر تسک ایجنت، تا IP در زمانی که ایجنت کار می‌کند پایدار بماند، و یک IP تازه برای تسک بعدی.

from browser_use import Agent, Browser, BrowserConfig
from langchain_openai import ChatOpenAI
import uuid

task_id = uuid.uuid4().hex[:8]

browser = Browser(config=BrowserConfig(
    proxy={
        "server": "http://us.jibaoproxy.com:913",
        "username": f"USERNAME-session-{task_id}",   # sticky: همان IP برای این تسک
        "password": "PASSWORD",
    },
))

agent = Agent(
    task="Find the current price of the Sony WH-1000XM6 on the three largest US retailers.",
    llm=ChatOpenAI(model="gpt-4o"),
    browser=browser,
)
result = await agent.run()

جزئیات کلیدی: پسوند session-{task_id}. بدون آن، یک gateway چرخشی ممکن است وسط تسک یک IP جدید به ایجنت بدهد — محتوای سبد ناپدید می‌شود، ورودها قطع می‌شوند و ایجنت فراخوانی‌های LLM را برای تکرار مراحل هدر می‌دهد. با آن، تسک از ابتدا تا انتها روی یک IP اجرا می‌شود و تسک بعدی یک IP تمیز می‌گیرد.

راه‌اندازی: حلقه‌های خام Playwright / Computer-Use

اگر حلقهٔ ایجنت خودتان را روی Playwright ساخته‌اید (الگوی پشت بیشتر پیاده‌سازی‌های سبک Operator و computer-use)، پروکسی روی context مرورگر قرار می‌گیرد:

from playwright.async_api import async_playwright

async with async_playwright() as p:
    browser = await p.chromium.launch(headless=False)
    context = await browser.new_context(
        proxy={
            "server": "http://us.jibaoproxy.com:913",
            "username": "USERNAME-session-agent42",
            "password": "PASSWORD",
        },
        viewport={"width": 1366, "height": 768},
        locale="en-US",
        timezone_id="America/Chicago",   # تطبیق با کشور پروکسی
    )
    page = await context.new_page()
    # ... حلقهٔ ایجنت: اسکرین‌شات -> LLM -> اکشن -> تکرار

locale و timezone_id را طوری تنظیم کنید که با کشور پروکسی بخواند. یک ایجنت که از یک IP آمریکا با ساعت UTC+8 می‌گردد یک ناهماهنگی است که سیستم‌های رفتاری علیه شما امتیازش می‌دهند.

پروکسی به‌ازای هر context همچنین به شما یک مرورگر، چند ایجنت می‌دهد: هر new_context() می‌تواند پسوند سشن خودش را حمل کند، پس ده تسک ایجنت هم‌زمان روی ده IP مسکونی متفاوت بدون ده فرایند Chrome اجرا می‌شوند.

استراتژی سشن برای بارهای کاری ایجنت

بار کاری ایجنت	استراتژی سشن	چرا
تحقیق / بررسی قیمت (بدون ورود)	sticky، ۱۰ دقیقه، سشن جدید به‌ازای هر تسک	پایدار درون تسک، IP تازه در طول تسک‌ها
عملیات اکانت واردشده	sticky ۳۰ دقیقه، همان شناسهٔ سشن در هر اجرا	سایت‌ها اکانت‌هایی را که بین ورودها بین کشورها می‌پرند پرچم می‌زنند
جریان‌های تسویه‌حساب / رزرو	sticky ۳۰ دقیقه	تغییر IP وسط تسویه‌حساب سشن را می‌کشد و بازبینی تقلب را فعال می‌کند
پایش پرحجم (صدها صفحه)	چرخشی، بدون پین سشن	بیشینه‌سازی تنوع IP، هیچ وضعیتی برای حفظ نیست

کنترل هزینه: ایجنت‌ها پهنای باند می‌سوزانند

ترافیک مسکونی به‌ازای هر GB حساب می‌شود، و یک ایجنت مرورگری صفحات کامل را می‌کشد — تصاویر، فونت‌ها، ترکرها — برخلاف یک اسکرپر HTTP. بدون مدیریت، یک تسک ایجنت می‌تواند ۲۰ تا ۵۰ مگابایت بخورد. سه راه‌حل، به‌ترتیب تأثیر:

1. منابع سنگینی را که LLM به آن‌ها نیاز ندارد مسدود کنید:

   await context.route("**/*.{png,jpg,jpeg,webp,gif,woff,woff2,mp4}",
                       lambda route: route.abort())

   اگر ایجنت شما اسکرین‌شات می‌خواند، تصاویر را روی صفحهٔ هدف نگه دارید اما همچنان ویدیو و فونت‌ها را مسدود کنید. اگر DOM/درخت دسترس‌پذیری را می‌خواند، تصاویر را هم مسدود کنید — ترافیک را ۶۰ تا ۸۰٪ کم می‌کند.
2. فقط چیزی را که نیاز به مسیریابی دارد مسیریابی کنید. فراخوانی‌های API مربوط به LLM (اوپن‌ای‌آی/آنتروپیک) نباید از طریق پروکسی مسکونی بروند — این GB کاملاً هدررفته و تأخیر اضافه است. context مرورگر را پروکسی کنید، نه فرایند میزبان را.
3. retryها را در سطح فریم‌ورک محدود کنید. حداکثر دو retry، با backoff و یک شناسهٔ سشن تازه در دومی — یک IP جدید بیش از یک تلاش سوم یکسان، مسدودسازی‌ها را رفع می‌کند.

با مسدودسازی تصاویر و مسیریابی محدود، تسک‌های معمول ایجنت مرورگری در بازهٔ ۲ تا ۸ مگابایت قرار می‌گیرند — با نرخ $2/GB یعنی چند سنت به‌ازای هر صد تسک.

چیزهایی که پروکسی رفع نمی‌کند

بخش صادقانه. یک IP مسکونی ناهماهنگی ASN و اعتبار IP را رفع می‌کند، که سنگین‌ترین تک‌سیگنال در امتیازدهی anti-bot سال ۲۰۲۶ است. اما این‌ها را رفع نمی‌کند:

• تشخیص CDP/headless — از گزینه‌های stealth فریم‌ورک خود استفاده کنید (browser-use با فلگ‌های اجرای patch‌شده عرضه می‌شود؛ برای Playwright خام به patchهای سبک rebrowser نگاه کنید)، و برای جریان‌های پرارزش حالت headed را ترجیح دهید.
• fingerprinting از نوع TLS — برای ایجنت‌های مرورگر واقعی مشکلی نیست (TLS مرورگر اصیل است)، اما به همین دلیل نمی‌توانید بعداً درخواست‌های ایجنت را با requests «صرفاً replay» کنید. JA3/JA4 توضیح داده‌شده را ببینید.
• امتیازدهی رفتاری روی جریان اکشن — تأخیرهای تصادفی کوچک بین اکشن‌ها اضافه کنید و از مختصات کلیک پیکسل‌به‌پیکسل یکسان در طول اجراها پرهیز کنید.

هر سه را روی یک IP مسکونی روی هم بچینید تا ایجنت‌های مرورگری همان بررسی‌هایی را که کاربران واقعی می‌گذرانند بگذرانند. برای سخت‌ترین اهداف (DataDome، PerimeterX)، راهنمای DataDome/PerimeterX ما را ببینید.

خلاصه

• ایجنت‌ها روی IPهای دیتاسنتر خودشان را معرفی می‌کنند؛ IPهای مسکونی روایت IP را با روایت مرورگر هم‌خوان می‌کنند.
• یک سشن sticky به‌ازای هر تسک ایجنت؛ همان شناسهٔ سشن برای همیشه برای اکانت‌های واردشده؛ چرخشی برای پایش بدون وضعیت.
• timezone_id/locale را با کشور پروکسی تطبیق دهید.
• تصاویر/فونت‌ها/ویدیو را مسدود کنید و هرگز فراخوانی‌های API مربوط به LLM را از طریق پهنای باند مسکونی مسیریابی نکنید.
• با یک شناسهٔ سشن جدید retry کنید، نه همان IP.