OpenAI مسیر ساختاریافته WebMCP را برای ChatGPT و Codex به وب‌سایت‌ها اضافه کرد

اوپن‌ای‌آی قابلیت Site tools را به مرورگر داخلی اپ دسکتاپ ChatGPT اضافه کرده است. این قابلیت به ChatGPT و Codex اجازه می‌دهد به‌جای اتکا صرف به مرور بصری، کلیک و تایپ شبیه‌سازی‌شده، از توابع ساختاریافته‌ای استفاده کنند که خود وب‌سایت در اختیار عامل قرار می‌دهد. Site tools بر WebMCP مبتنی است، استاندارد پیشنهادی مرورگر برای تعریف ابزارهایی که عامل می‌تواند در همان صفحه کشف و اجرا کند. برای توسعه‌دهندگان، تغییر مهم این است که عامل اکنون می‌تواند با سطح ابزار صریح سایت کار کند و در عین حال داخل همان session زنده و واردشده‌ی کاربر باقی بماند.

طبق مستندات Site tools اوپن‌ای‌آی، یک صفحه سازگار می‌تواند actionهایی را ارائه کند که ChatGPT هنگام تطابق با درخواست کاربر به‌طور خودکار کشف می‌کند. کاربر می‌تواند ابزارهای موجود را ببیند، بررسی کند که هر ابزار اطلاعات را می‌خواند یا تغییر می‌دهد، و ابزارهای اخیراً استفاده‌شده را مرور کند. اوپن‌ای‌آی می‌گوید این قابلیت فقط زمانی فعال است که حساب، مدل انتخاب‌شده و صفحه فعلی از آن پشتیبانی کنند و کاربر نیز می‌تواند آن را در تنظیمات مجوزهای مرورگر دسکتاپ خاموش کند.

از اتوماسیون مرورگر به ابزارهای تعریف‌شده

بیشتر عامل‌های مرورگر امروزی باید از روی رابط کاربری حدس بزنند چگونه با یک وب‌سایت کار کنند. آن‌ها محتوای صفحه را بررسی می‌کنند، دکمه‌ها و فیلدها را تشخیص می‌دهند، درباره معنای کنترل‌ها استنباط می‌کنند و بعد تعامل کاربر را شبیه‌سازی می‌کنند. این روش می‌تواند کار کند، اما شکننده است. تغییر کوچک در layout، label مبهم، component پویا یا state پنهان می‌تواند باعث انتخاب کنترل اشتباه یا از دست رفتن مسیر workflow شود.

WebMCP مرز integration را عوض می‌کند. وب‌سایت می‌تواند قابلیت‌های مشخص را به‌صورت ابزارهای ساختاریافته با پارامترها و رفتار قابل‌فهم برای عامل توصیف کند. مستندات WebMCP کروم این رویکرد را نوعی progressive enhancement برای انجام taskهای agentic معرفی می‌کند: رابط انسانی باقی می‌ماند، اما declarationهای ساختاریافته قرارداد روشن‌تری برای عمل عامل مرورگر فراهم می‌کنند.

در عمل، یک سایت سفر می‌تواند action جست‌وجو یا برنامه سفر ارائه کند، یک ویرایشگر مشارکتی می‌تواند عملیات سند را expose کند و یک فروشگاه می‌تواند توابع catalog و cart را ارائه دهد. عامل دیگر مجبور نیست هر task را به دنباله‌ای از کلیک‌های استنباط‌شده تبدیل کند. خود سایت سطح action پشتیبانی‌شده را تعریف می‌کند.

ChatGPT و Codex اکنون مسیر محصولی WebMCP دارند

خود protocol تازه نیست. Google Chrome مدتی است WebMCP را به‌صورت آزمایشی توسعه می‌دهد و Cloudflare و دیگر ارائه‌دهندگان زیرساخت نیز روش‌های expose کردن ابزارهای WebMCP را آزمایش کرده‌اند. تغییر این هفته integration محصولی OpenAI است: Site tools این declarationها را مستقیماً در مرورگر داخلی اپ دسکتاپ برای ChatGPT و Codex قابل استفاده می‌کند.

WebMCP Challenge اوپن‌ای‌آی نیز نشان می‌دهد شرکت فعالانه توسعه‌دهندگان را به ساخت برنامه‌های agent-ready بر پایه این استاندارد تشویق می‌کند. صفحه چالش توضیح می‌دهد که WebMCP به وب‌سایت‌ها اجازه می‌دهد ابزارهای ساختاریافته‌ای ارائه کنند که عامل مستقیماً از آن‌ها استفاده کند و می‌گوید برنامه‌های سازگار را می‌توان در مرورگر داخلی ChatGPT و محیط‌های آزمایشی Chrome تست کرد.

نشریه مستقل توسعه‌دهندگان ژاپنی gihyo.jp گزارش کرده است که به‌روزرسانی ۲۵ اوت ChatGPT و Codex، Site tools مبتنی بر WebMCP را به مرورگر داخلی اضافه کرده و Work و Codex می‌توانند توابع ارائه‌شده توسط صفحات سازگار را تشخیص دهند و استفاده کنند. این گزارش تأیید می‌کند که با یک integration عرضه‌شده در محصول روبه‌رو هستیم، نه صرفاً یک پیشنهاد استاندارد یا developer preview.

مرز امنیتی به خود وب‌سایت نزدیک‌تر می‌شود

ابزارهای ساختاریافته می‌توانند قابلیت اطمینان را بهتر کنند، اما مسائل امنیت عامل را حذف نمی‌کنند. در بعضی موارد حتی مرز کنترل را صریح‌تر می‌کنند. ابزار در context کاربری اجرا می‌شود که ممکن است از قبل در سایت لاگین باشد، بنابراین توسعه‌دهندگان باید authorization، confirmation، scope و تفاوت عملیات read و write را دقیق طراحی کنند.

مستندات OpenAI می‌گوید کاربر می‌تواند مجوزهای ابزار را ببیند و پیش از ادامه ChatGPT ممکن است prompt دسترسی وب‌سایت نمایش داده شود. ابزارها نیز فقط تا زمانی در دسترس‌اند که صفحه مربوط باز باشد و به‌طور خودکار بین سایت‌ها منتقل نمی‌شوند. این محدودیت مهم است، زیرا WebMCP خود یک authorization layer عمومی نیست. هویت کاربر و مجوزهای متصل به session همچنان در اختیار سایت است.

برای تیم‌های application، یک قاعده طراحی روشن به‌وجود می‌آید: expose کردن یک operation به عامل باید بیشتر شبیه انتشار یک API method دیده شود تا اضافه کردن label قابل‌دسترسی به یک دکمه. توضیح ابزار، validation پارامتر، permission check، نیاز به تأیید و auditability همگی بخشی از رابط agent محصول می‌شوند.

WebMCP جای MCP معمولی را نمی‌گیرد

شباهت نام‌ها می‌تواند گمراه‌کننده باشد. WebMCP برای عامل‌هایی طراحی شده که در مرورگر و روی صفحه‌ای که کاربر می‌بیند عمل می‌کنند. integrationهای معمول Model Context Protocol معمولاً عامل را به ابزار، سرویس یا منبع داده‌ای خارج از lifecycle صفحه متصل می‌کنند. این دو می‌توانند کنار هم استفاده شوند.

این تفاوت برای معماری مهم است. یک توسعه‌دهنده ممکن است MCP را برای دسترسی پایدار back-end به یک سرویس به کار بگیرد و در همان زمان از WebMCP برای actionهای وابسته به context همان صفحه لاگین‌شده استفاده کند. session مرورگر state کاربر و context فوری UI را فراهم می‌کند و declaration ساختاریافته نیاز به حدس بصری را کاهش می‌دهد.

برای تیم‌هایی که محصول agentic می‌سازند، این یک لایه interoperability تازه برای ارزیابی است. مزیت، قرارداد صریح‌تر میان وب‌سایت و عامل مرورگر است. هزینه، سطح دیگری است که باید همراه رابط انسانی و APIهای موجود version، test، secure و monitor شود.

تیم‌ها اکنون چه چیزی را باید آزمایش کنند

این قابلیت هنوز به یک استاندارد آزمایشی وابسته است و availability آن به حساب کاربر، مدل و پشتیبانی سایت بستگی دارد. بنابراین تیم‌ها نباید WebMCP را یک interface تولیدی و جهانی فرض کنند. مسیر مناسب فعلاً آزمایش کنترل‌شده است.

توسعه‌دهندگان باید بررسی کنند schema ابزار در برابر تغییر UI چقدر پایدار می‌ماند، عامل وقتی چند ابزار مناسب وجود دارد چگونه انتخاب می‌کند، کدام actionها به confirmation صریح نیاز دارند، خطاها چگونه نمایش داده می‌شوند و آیا authorization check دقیقاً با عملیات انسانی یکسان است. سناریوهای prompt injection و محتوای غیرقابل‌اعتماد نیز باید تست شوند، چون رابط ابزار ساختاریافته به‌تنهایی صفحه اطراف را قابل‌اعتماد نمی‌کند.

اهمیت بزرگ‌تر این است که عامل‌های مرورگر یک مسیر integration درجه‌یک بین UI automation شکننده و integration جداگانه‌ی back-end API پیدا می‌کنند. OpenAI با Site tools این مسیر را مستقیماً در ChatGPT و Codex قابل استفاده کرده است. اگر استاندارد بالغ شود، تیم‌های وب ممکن است به‌تدریج دو interface را هم‌زمان طراحی کنند: یکی برای انسان و دیگری یک سطح action ساختاریافته برای عامل‌هایی که به نمایندگی از همان انسان کار می‌کنند.

Sources
- Using site tools in the ChatGPT desktop app
- WebMCP Challenge
- WebMCP
- ChatGPT built-in browser adds WebMCP site tools