Agenten lernen, das Web zu nutzen, und das Web lernt, ihnen etwas zu berechnen
Am 3. Oktober veröffentlichte Marko Denic eine praktische Anleitung zu WebMCP, dem Chrome-Experiment, das ein gewöhnliches HTML-Formular mit drei Attributen zu einem aufrufbaren Werkzeug für KI-Agenten macht. Der Beitrag fällt mitten in eine größere Debatte darüber, wer die Browser-Automatisierung kontrolliert.
Am 3. Oktober veröffentlichte der Entwickler Marko Denic eine Einführung in WebMCP, ein Chrome-Experiment, mit dem eine Seite ihre Funktionen als benannte Werkzeuge mit typisierten Eingaben für KI-Agenten bereitstellen kann. Der Agent muss sich dann nicht mehr durch eine gerenderte Oberfläche raten. Laut Denic braucht ein einfaches Suchformular dafür drei Attribute: toolname, tooldescription und toolautosubmit.
Sein Beitrag benennt das Problem deutlich. Ein Agent, der eine normale Website bedient, „sieht aus wie jemand, der mit Fäustlingen eine Maus bedient“. Er liest den Bildschirm, rät, welches Feld das Suchfeld ist, rät, welche Schaltfläche absendet, und liest den Bildschirm erneut, um das Ergebnis zu prüfen. Jede dieser Vermutungen kann falsch sein.
WebMCP ist noch ein Versuch, kein Standard
Denic benennt die Grenzen klar. WebMCP ist ein Experiment in Chrome, und die Attribute allein einzubauen reicht nicht. Ohne ein Origin-Trial-Token existiert document.modelContext nur für Nutzer, die ein Flag gesetzt haben, und der von ihm genannte Trial läuft auf Chrome 149. Browser, die die Attribute nicht kennen, ignorieren sie. Für alle anderen bleibt die Seite also so, wie sie immer war.
Interessanter ist, wo das Werkzeug lebt. Bei Formularen leitet der Browser das Schema aus dem Markup ab. Für alles andere, einen Rechner oder einen Konfigurator, registriert die Seite das Werkzeug aus JavaScript heraus, mit einem Namen, einer Beschreibung, einem Eingabeschema und einer Ausführungsfunktion. In Denics Beispiel ruft die Ausführung dieselbe Funktion auf wie die Schieberegler, sodass Mensch und Agent denselben Codepfad nehmen. Für alles, was versendet, kauft oder löscht, empfiehlt er außerdem, toolautosubmit ausgeschaltet zu lassen, damit der Nutzer weiterhin bestätigt.
Das ist eine Antwort auf das Problem der Browser-Automatisierung: die Seite lesbar machen, statt den Agenten schlauer zu machen. Es ist nicht die einzige Antwort im Umlauf und nicht die, hinter der das meiste Geld steht.
Die Arbeit wandert in die Umgebung
Tim Waldin argumentiert in seinem Beitrag vom 4. Oktober, die entscheidende Grenze sei nicht die Wahrnehmung, sondern der Ort, an dem das Ergebnis der Agentenarbeit landet. Er zitiert Andrej Karpathy, der am Freitag schrieb, man werde „sehr viel mehr Zeit damit verbringen, die Ausgaben von Sprachmodellen zu verstehen“, und weitere Arbeit werde „die Abstraktionen hinauf zu Aufsicht und Verständnis steigen“. Waldins Kritik: Ein Diagramm oder eine HTML-Erklärung, die ein Agent erzeugt, scrollt im Chatprotokoll aus dem Bild. Die Darstellung des Systems ist deshalb nie wirklich Teil des Gesprächs darüber. Seine App easl gibt jedem Repository ein unendliches Board, auf dem Terminals, Code-Kacheln, Browser und Notizen zusammen liegen. Ein Klick bei gedrückter Hyper-Taste hängt alles, worauf du zeigst, an den nächsten Prompt an.
Das ist eine Design-Behauptung, kein Benchmark, und so sollte man es lesen. Sie deckt sich aber mit dem, was Praktiker anderswo berichten. Alexey Indeev schrieb am 4. Oktober, er habe in zwei Wochen 562 Pull Requests zusammengeführt und dabei vier dieser Nächte beim Wandern verbracht. Sein Ablauf stützt sich inzwischen auf einen Koordinator-Agenten, der selbst nichts erledigt, sondern an Unteragenten delegiert. Tests, CI und Review-Bots sichern die Zusammenführung ab. Er sagt ausdrücklich, die Modelle hätten sich kürzlich verändert, besonders Opus 5.5, und vor ein paar Wochen hätte er den Ansatz nicht empfohlen.
Was die Zustandsprüfungen sagen
Die konkreteste Zahl dieses Stapels kommt von Microsoft und Hugging Face. Ein gemeinsamer Beitrag vom 3. Oktober beschreibt ThinkingBox, einen Benchmark aus 507 zustandsbehafteten Geschäftsabläufen. Jeder Ablauf läuft 20 Mal gegen verschiedene Modelle. Bewertet werden der Zustand des Backends am Ende und die Nebenwirkungen, die ein Agent hinterlässt, nicht der Satz, den er zurückgibt. In einer Ablation auf einem gemeinsamen Satz von 121.680 gültigen Durchläufen über 12 Modelle scheiterten 79.853 Versuche an den ausführbaren Prüfungen. Von diesen Fehlschlägen endeten 67,24% sauber, riefen ein zustandsänderndes Werkzeug auf und meldeten keinen abschließenden Werkzeugfehler.
Der anschauliche Fall ist ein Küchengerät für 745 Dollar, das in einem Verteilzentrum in Nashville in einer Kurier-Ausnahme feststeckt, fünfzehn Tage nach dem geschätzten Liefertermin. Der Agent machte neun Werkzeugaufrufe und las die Rückerstattungsrichtlinie zweimal. Er kam korrekt zu dem Schluss, dass die Kundin keinen Anspruch auf Ausgleich für verspätete Lieferung hatte. Dann schloss er das Ticket als gelöst, obwohl der geforderte Endzustand „on hold“ war, und beantwortete nie die Frage, die sie gestellt hatte. Die ausführbaren Prüfungen fanden falsche Feldwerte in 77,61% der sauber wirkenden Fehlschläge, unbeabsichtigte zusätzliche Effekte in 43,30% und fehlende erforderliche Effekte in 25,36%.
Eine Trajektorie ist eine Behauptung. Der Datenbankzustand ist der Beweis. Wiederholung ist der Vertrauenstest.
Dieser Satz aus dem Beitrag von Microsoft und Hugging Face ist das Schärfste, was diese Woche über Agentenbewertung geschrieben wurde. Er untergräbt zugleich viel Demo-Kultur: Ein wohlgeformter Werkzeugaufruf ist nicht dasselbe wie ein korrektes Ergebnis, und ein korrekter Lauf ist nicht dasselbe wie ein zuverlässiger.
Berechtigungen und Drift
Apple bewegte sich bei den Berechtigungen. In einem Blogbeitrag auf seiner Entwicklerseite, über den 9to5Mac am 2. Oktober berichtete, erklärte das Unternehmen, einige Entwickler nutzten den vollständigen Festplattenzugriff auf eine Weise, die „alles auf ihren Systemen offenlegen“ könne, „einschließlich Dateien, Mail, Nachrichten und sogar dem Browserverlauf, ohne dass die Nutzer es vollständig wissen und verstehen“. Diese Einstellung ist eigentlich für Backup-Apps gedacht. Apple kündigte Kontrollen an, sodass das Erteilen dieses Zugriffs eine „sehr ausdrückliche Handlung des Nutzers“ erfordert, und verknüpfte die Änderung damit, dass KI-Agenten „zunehmend leistungsfähiger und autonomer“ werden. Welche Kontrollen das sind und wann sie kommen, sagte das Unternehmen nicht.
Der Fehlermodus, den kein Berechtigungsdialog abfängt, ist unterdessen die Drift. Im vierten Teil einer Reihe über KI-Risiken fragte der Blog sdarchitect am 3. Oktober, warum sich das Verhalten eines Agenten ändert, wenn niemand den Agenten geändert hat. Kein Prompt wurde ausgerollt, kein Code angefasst, das Änderungsmanagement ist sauber, und der Agent, der letzten Monat funktionierte, eskaliert nun Entscheidungen, die er früher selbst erledigte. Der Beitrag führt das auf das gesamte System aus Modellen, Umgebungen, Werkzeugen und anderen Agenten zurück und verweist auf die NIST-Leitlinien zur Überwachung nach dem Einsatz. Sein Argument: Wenn sich Verhalten kontinuierlich ändern kann, muss auch die Bewertung kontinuierlich laufen.
Ein arXiv-Papier von Juni, verfasst von Emre Turan, liefert eine Zahl, die jeden innehalten lassen sollte, der Freigabeschwellen entwirft. Auf einem handgelabelten Satz von 125 adversarisch gewichteten Agentenaktionen stimmten die Prüfer nur mäßig darin überein, was als riskant gilt, mit einem Fleiss-Kappa von 0,52. Modelliert man den Prüfer als ermüdend unter Eskalationslast, wird die tatsächliche Sicherheit eine umgekehrte U-Kurve über der Eskalationsrate: Mehr menschliche Aufsicht kann ein System weniger sicher machen, und die sicherheitsoptimale Schwelle eskaliert unterhalb der vollständigen Eskalation.
Nichts davon macht Browser-Automatisierung weniger nützlich. Es heißt aber, dass die interessante Ingenieursarbeit sich davon weg bewegt hat, einen Agenten auf eine Schaltfläche klicken zu lassen. Denics drei Attribute, Waldins gemeinsames Board, Indeevs Zusammenführungswarteschlange und die Zustandsprüfungen von ThinkingBox versuchen alle, dasselbe um das Modell zu legen: eine Oberfläche, auf der es handeln kann, und Belege, dass die Handlung angekommen ist. Die Seiten und die Agenten streiten noch darüber, wer das liefert.
Quellen
14- 01Let AI agents use your site with 3 HTML attributesEN
- 02your agent's diagrams need somewhere to liveEN
- 03I stopped reviewing my agents' code. Here's what I do insteadEN
- 04The Agent Said It Was Done. The Database Disagreed.EN
- 05Apple says it's tightening macOS privacy controls amid the rise of AI agentsEN
- 06AI Risk - A user's guide (Part IV): Understanding Agent DriftEN
- 07Oversight Has a Capacity: Calibrating Agent Guards to a Subjective, Fatiguing HumanEN
- 08Automatic iPhone reboot: Forensics firm allegedly stops timeEN
- 09Design Systems for AI AgentsEN
- 10Give Your AI Agent Its Own IdentityEN
- 11Launching: Nautilus - Run a coding agent from your phone, merge on your PCEN
- 12Aura - a self-hosted AI agent with temporal graph memory, written in GoEN
- 13Pi-based coding agent with hard budget capsEN
- 14Chalkboard and Avatar for AI AgentsEN
Alle Zahlen und Zitate in diesem Text stammen aus den unten genannten Quellen.
Die Materialien wurden vom Redaktionsteam mit Unterstützung von KI erstellt.
Kommentare
0- Noch keine Kommentare — seien Sie der Erste.