Hermes Agent รวมทูลเบราว์เซอร์ 12 ตัวเหลือโหมดเดียว ลด token ที่ใช้ browsing ลง 48–66%

Hermes Agent จาก Nous Research ออกอัปเดตฟรีที่รื้อวิธีให้ agent ควบคุมเบราว์เซอร์ใหม่ทั้งหมด เดิมทีการให้ AI คุมเบราว์เซอร์จะมีทูลแยกย่อยราว 12 ตัว (คลิก พิมพ์ เลื่อน อ่านหน้า ฯลฯ) ที่ agent ต้องเรียกทีละสเต็ปแล้วรอผลกลับมาก่อนสั่งต่อ วิธีนี้เปลืองรอบการสื่อสารและกิน token มหาศาลในงานยาว

อัปเดตใหม่ยุบทั้งหมดให้เหลือโหมดเดียวชื่อ browser use mode ที่รันบน Browser Use CLI 3.0 หลักคิดคือเปลี่ยนจาก "สั่งทีละคลิก" เป็น "ให้ agent เขียนสคริปต์คุมทั้งงานทีเดียว" คือ agent มองงานทั้งก้อน แล้วเขียนโค้ดชุดเดียวไปจัดการ ทำให้ schema ของทูลเล็กลงและลดจำนวนรอบไป-กลับลงเยอะ

ตัวเลขที่ Nous Research รายงานคือ ในการทดสอบที่ใช้ Opus 4.8 เป็นตัวขับเบราว์เซอร์ การใช้ token ลดลง 48–66% งานบางชุดที่เคยใช้ 50,000–64,000 token ลงมาเหลือช่วง 20,000 ต้น ๆ โดยไม่มีการวัดว่าความแม่นยำตก โหมดนี้ถูกตั้งเป็นค่าเริ่มต้นเมื่อระบบเจอ browser CLI และถ้าไม่มี CLI มันจะถอยกลับไปใช้ทูล 12 ตัวแบบเดิมให้อัตโนมัติ ใครอยากบังคับเปิดหรือปิดก็ทำได้ผ่านค่า config (`browser` เป็น `browser use`) หรือสั่ง `/browser use off` เพื่อปิด

เรื่องความเข้ากันได้ โหมดใหม่ทำงานกับเบราว์เซอร์ในเครื่อง, Browserbase และ cloud browser และมีการจัดเส้นทางแบบ hybrid คือเว็บสาธารณะวิ่งผ่าน cloud browser ส่วนงานที่แตะทรัพยากรในเครื่องหรือหลังบ้านจะเปิด local browser ขึ้นมาในเซสชันเดียวกันให้เอง ข้อยกเว้นที่ต้องรู้คือมันยังไม่ทำงานกับเบราว์เซอร์สายความเป็นส่วนตัวอย่าง Camo Fox ซึ่งระบบจะคงทูลแบบเดิมไว้ให้อัตโนมัติ

ฟันธง: **ลองได้เลยถ้าคุณให้ agent ทำงานบนเว็บอยู่แล้วและบิลค่า token เริ่มบาน** เพราะจุดที่ประหยัดคือ browsing ยาว ๆ ที่ต้องคลิกหลายสิบสเต็ป การลด token ลงเกือบครึ่งโดยงานไม่แย่ลงแปลว่าทั้งถูกลงและมักจะเร็วขึ้น เหมาะกับงาน routine อย่างดึงข้อมูลจากหลายหน้า กรอกฟอร์มซ้ำ ๆ หรือเช็กสถานะบนเว็บเป็นรอบ

จุดที่ต้องระวังคือ โหมดนี้ทำงานด้วยการ "เขียนสคริปต์แล้วรัน" ซึ่งได้พลังมากขึ้นก็จริง แต่ก็ควรมี Human Gate ก่อนให้มันแตะงานที่กดแล้วย้อนไม่ได้ เช่น กดชำระเงิน ส่งฟอร์มสำคัญ หรือลบข้อมูล และถ้าต้องทำงานกับระบบหลังบ้านของบริษัท ให้เช็กเรื่อง local browser กับสิทธิ์การเข้าถึงให้ชัดก่อน วิธีเริ่มที่ปลอดภัยคือเปิดใช้กับงานอ่าน/ดึงข้อมูลก่อน วัด token ที่ประหยัดได้จริงจากงานของตัวเอง แล้วค่อยขยับไปงานที่ซับซ้อนขึ้น