Browser Use MCP

Ollama による MCP ブラウザー自動化

AI エージェントが Model Context Protocol（MCP）を通じてウェブブラウザーを操作できる、強力なブラウザー自動化システムです。この実装は Ollama のローカルモデルで動作するよう特別に設計されており、ローカルでホストされた AI モデルを使用して、ブラウザー操作を安全かつ効率的に自動化できます。

機能

• MCP 連携：AI とブラウザー間の構造化された通信に対応する、Model Context Protocol の完全なサポート
• Ollama モデルのサポート：Ollama を通じて実行されるローカル AI モデル向けに最適化
• ブラウザー制御：Playwright による完全なブラウザー自動化（Chrome、Firefox、Safari）
• AI 駆動の自動化：ローカル LLM による自然言語でのブラウザー制御
• スクリーンショット機能：視覚的なフィードバックとデバッグをサポート
• セッション管理：自動クリーンアップ機能を備えた複数のブラウザーセッション
• 対話モード：AI とブラウザーの状態間で継続的なフィードバックループを実現
• 表示の最適化：スクロールを最小限に抑えるため、ブラウザーを最大化（1920x1080）して起動

クイックスタート

前提条件

• Python 3.8+
• Ollama がインストールされ、実行中であること
• uv パッケージマネージャー（推奨）

インストール

# Clone the repository
git clone https://github.com/Cam10001110101/mcp-server-browser-use-ollama
cd mcp-server-browser-use-ollama

# Install with uv (recommended)
uv pip install -e .
playwright install

# Start Ollama and pull a model
ollama serve  # In one terminal
ollama pull qwen3  # In another terminal

使用方法

このシステムは、次の 2 つのモードで使用できます。

オプション 1：直接 MCP 連携（Claude Desktop を使用）

claude_desktop_config.json で設定します：

{
  "mcpServers": {
    "browser-use-ollama": {
      "command": "/path/to/.venv/bin/python",
      "args": ["/path/to/src/server.py"]
    }
  }
}

オプション 2：Ollama 駆動の自動化

# Interactive automation with conversation history
python src/client.py src/server.py

# Custom task via command line
python src/client.py src/server.py "Navigate to Google and search for 'Ollama models'"

# Complex task from file
python src/client.py src/server.py task_description.txt --file

# With custom model
python src/client.py src/server.py "Your task" --model llama3.2:latest

利用可能なツール

MCP サーバーは、ブラウザー自動化ツールを 10 個提供します。

• launch_browser(url) - ブラウザーを起動し、URL に移動します
• click_element(session_id, x, y) - 指定した座標をクリックします
• click_selector(session_id, selector) - CSS セレクターで要素をクリックします
• type_text(session_id, text) - 現在の位置にテキストを入力します
• scroll_page(session_id, direction) - ページを上下にスクロールします
• get_page_content(session_id) - ページのテキストコンテンツを抽出します
• get_dom_structure(session_id, max_depth) - DOM ツリーを取得します
• extract_data(session_id, pattern) - 構造化データを抽出します
• take_screenshot(session_id) - スクリーンショットを撮影します
• close_browser(session_id) - ブラウザーセッションを終了します

使用例

基本的なウェブ検索

python src/client.py src/server.py "Search for 'Ollama models' on Google and summarize the top 3 results"

E コマース分析

python src/client.py src/server.py "Compare wireless headphones on Amazon - create a table with prices, ratings, and features"

調査ワークフロー

python src/client.py src/server.py "Research transformer architecture improvements in 2024, visit 5 sources, and compile a summary"

ファイルを使用した複雑なタスク

# Create a task file
echo "Navigate to GitHub, search for MCP repositories, and analyze the top 5 results" > my_task.txt

# Run the task
python src/client.py src/server.py my_task.txt --file

環境変数

• OLLAMA_MODEL：Ollama モデルを指定します（デフォルト：qwen3）
• OLLAMA_HOST：Ollama API エンドポイントを指定します（デフォルト：http://localhost:11434）

テスト

# Run pure MCP tests (recommended)
pytest tests/test_server_mcp.py -v

# Run all tests
pytest

# Run specific test categories
pytest tests/test_server_mcp.py    # Pure MCP implementation tests
pytest tests/test_integration.py   # Integration tests

プロジェクト構成

mcp-server-browser-use-ollama/
├── src/                    # Core source code
│   ├── server.py          # MCP server implementation
│   └── client.py          # Interactive client with full automation capabilities
├── tests/                  # Test suite
├── docs/                   # Additional documentation
├── pyproject.toml         # Project configuration
└── README.md              # This file

アーキテクチャ

このシステムは、MCP プロトコルを使用したクライアント・サーバーアーキテクチャを採用しています。

User → Client → MCP Protocol → Server → Playwright Browser

• サーバー：ブラウザー自動化ツールを提供する、純粋な MCP SDK サーバー
• クライアント：自然言語処理のための Langchain-Ollama 連携
• トランスポート：stdio ベースの MCP 通信
• ブラウザー：クロスブラウザー対応のための Playwright 自動化

主な機能

対話型フィードバックループ

クライアントは Ollama との継続的な対話を維持し、動的な自動化を実現します。

• Ollama は各アクションの後に結果を受け取ります
• ブラウザーの状態に基づいて戦略を調整できます
• コンテキストを維持するため、会話履歴全体を保持します
• コマンドラインとファイルベースのタスク入力の両方をサポートします

高度な機能

• 会話履歴：複雑な複数ステップのタスクに対応する 32k トークンのコンテキストウィンドウ
• アクション解析：LLM の応答を JSON およびヒューリスティックで解析
• ファイル入力：ファイルから複雑なタスクの説明を読み込む機能
• モデル選択：Ollama モデルを簡単に切り替え
• デバッグモード：トラブルシューティングのための包括的なログ記録

柔軟なモデルのサポート

• Ollama と互換性のあるあらゆるモデルで動作します
• コーディングモデル（qwen3、qwen2.5-coder:7b）向けに最適化されています
• コンテキストウィンドウとパラメーターを設定できます
• 決定的な出力を得るため、Temperature=0 に設定します

堅牢なエラー処理

• ブラウザーセッションを自動的にクリーンアップします
• 解析エラーから適切に復旧します
• デバッグのための包括的なログ記録