Browser Automation

Triggerfish CDP (Chrome DevTools Protocol) वापरून dedicated managed Chromium instance द्वारे deep browser control प्रदान करतो. एजंट web navigate करू शकतो, pages शी interact करू शकतो, forms fill करू शकतो, screenshots capture करू शकतो, आणि web workflows automate करू शकतो -- सर्व policy enforcement खाली.

Architecture

Browser automation puppeteer-core वर built आहे, CDP द्वारे managed Chromium instance शी connecting. प्रत्येक browser action browser ला reach होण्यापूर्वी policy layer मधून जातो.

Triggerfish Google Chrome, Chromium, आणि Brave सह Chromium-based browsers auto-detect करतो. Detection Linux, macOS, Windows, आणि Flatpak environments वर standard install paths cover करतो.

browser_navigate tool ला http:// किंवा https:// URLs आवश्यक

आहेत. Browser-internal schemes (जसे chrome://, brave://, about:) supported नाहीत आणि web URL वापरण्याच्या guidance सह error return करतात. :::

Browser profile per agent isolated आहे. Managed Chromium instance तुमच्या personal browser शी cookies, sessions, किंवा local storage share करत नाही. Credential autofill default वर disabled आहे.

Available Actions

Action	वर्णन	Example Use
navigate	URL ला जा (domain policy च्या अधीन)	Research साठी web page उघडा
snapshot	Page screenshot capture करा	UI state document करा, visual information extract करा
click	Page वरील element click करा	Form submit करा, button activate करा
type	Input field मध्ये text type करा	Search box fill in करा, form complete करा
select	Dropdown मधून option select करा	Menu मधून निवडा
upload	Form ला file upload करा	Document attach करा
evaluate	Page context मध्ये JavaScript run करा (sandboxed)	Data extract करा, DOM manipulate करा
wait	Element किंवा condition साठी wait करा	Interact करण्यापूर्वी page load झाले आहे ते सुनिश्चित करा

Domain Policy Enforcement

Browser act करण्यापूर्वी एजंट navigate करणाऱ्या प्रत्येक URL ला domain allowlist आणि denylist विरुद्ध checked आहे.

Configuration

browser:
  domain_policy:
    allow:
      - "*.example.com"
      - "github.com"
      - "docs.google.com"
      - "*.notion.so"
    deny:
      - "*.malware-site.com"
    classification:
      "*.internal.company.com": INTERNAL
      "github.com": INTERNAL
      "*.google.com": INTERNAL

Domain Policy कसे काम करते

1. एजंट browser.navigate("https://github.com/org/repo") call करतो
2. URL context म्हणून PRE_TOOL_CALL hook fire होतो
3. Policy engine domain allow/deny lists विरुद्ध check करतो
4. Denied किंवा allowlist वर नसल्यास, navigation blocked आहे
5. Allowed असल्यास, domain classification lookup केली जाते
6. Session taint domain classification शी match करण्यासाठी escalates
7. Navigation proceeds

SECURITY Domain allowlist वर नसल्यास, navigation default वर blocked

आहे. LLM domain policy override करू शकत नाही. हे एजंटला sensitive data expose करू शकणाऱ्या किंवा unwanted actions trigger करू शकणाऱ्या arbitrary websites visit करण्यापासून रोखते. :::

Screenshots आणि Classification

browser.snapshot द्वारे captured screenshots session चा current taint level inherit करतात. Session CONFIDENTIAL वर tainted असल्यास, त्या session मधील सर्व screenshots CONFIDENTIAL म्हणून classified आहेत.

Output policy साठी हे महत्त्वाचे आहे. CONFIDENTIAL classified screenshot PUBLIC channel ला पाठवला जाऊ शकत नाही. PRE_OUTPUT hook हे boundary वर enforce करतो.

Scraped Content आणि Lineage

एजंट web page मधून content extract करतो तेव्हा (evaluate द्वारे, text reading, किंवा elements parsing), extracted data:

• Domain च्या assigned classification level वर आधारित classified आहे
• Source URL, extraction time, आणि classification track करणारा lineage record create करतो
• Session taint ला contribute करतो (taint content classification शी match करण्यासाठी escalates)

हे lineage tracking म्हणजे data कुठून आला ते तुम्ही नेहमी trace करू शकता, जरी ते weeks ago web page वरून scraped केले गेले असले तरी.

Security Controls

Per-Agent Browser Isolation

प्रत्येक agent ला स्वतःचे browser profile मिळते. याचा अर्थ:

• Agents दरम्यान shared cookies नाहीत
• Shared local storage किंवा session storage नाही
• Host browser cookies किंवा sessions ला access नाही
• Credential autofill default वर disabled
• Browser extensions loaded नाहीत

Policy Hook Integration

सर्व browser actions standard policy hooks मधून जातात:

Hook	केव्हा Fire होतो	काय Check करतो
PRE_TOOL_CALL	प्रत्येक browser action पूर्वी	Domain allowlist, URL policy, action permissions
POST_TOOL_RESPONSE	Browser data return केल्यावर	Response classify, session taint update, lineage create
PRE_OUTPUT	Browser content system सोडतो तेव्हा	Destination विरुद्ध Classification check

Resource Limits

• Navigation timeout browser indefinitely hanging होण्यापासून रोखतो
• Page load size limits excessive memory consumption रोखतात
• Concurrent tab limits per agent enforced आहेत

Enterprise Controls

Enterprise deployments मध्ये additional browser automation controls आहेत:

Control	वर्णन
Domain-level classification	Intranet domains automatically INTERNAL म्हणून classified
Blocked domains list	Admin-managed prohibited domains ची list
Screenshot retention policy	Captured screenshots किती वेळ stored आहेत
Browser session audit logging	Compliance साठी सर्व browser actions चे full logging
Disable browser automation	Admin specific agents किंवा roles साठी browser tool पूर्णपणे disable करू शकतो

Example: Web Research Workflow

Browser automation वापरणारा typical agent workflow:

1. User:  "Research competitor pricing on example-competitor.com"

2. Agent: browser.navigate("https://example-competitor.com/pricing")
          -> PRE_TOOL_CALL: domain "example-competitor.com" allowlist विरुद्ध checked
          -> Allowed, PUBLIC म्हणून classified
          -> Navigation proceeds

3. Agent: browser.snapshot()
          -> Screenshot captured, session taint level (PUBLIC) वर classified

4. Agent: browser.evaluate("document.querySelector('.pricing-table').innerText")
          -> Text extracted, PUBLIC म्हणून classified
          -> Lineage record created: source=example-competitor.com/pricing

5. Agent: Pricing information summarize करतो आणि user ला return करतो
          -> PRE_OUTPUT: User channel ला PUBLIC data -- ALLOWED

प्रत्येक step logged, classified, आणि auditable आहे.