Webページを操作するエージェントは、画面の画像と、HTMLやDOMといった構造の両方を見て、次の操作を決めます。DeepLearning.AIの講座は、この種のエージェントの組み方と、失敗を自分で直す仕組みを扱っています。8本の動画と3つのコード例で構成され、2026年7月17日に更新されています。

手順1:構成要素と限界を知る
講座の前半は、Webエージェントの構成要素、得意なこと、苦手なことを整理します。ログイン、フォームの入力、ページの移動、注文の手続きまで対象になりますが、ページの作りが複雑だと、次の操作の候補が増えて選び間違えやすくなります。
限界を先に知っておくと、どの作業を任せるかの判断が変わります。読み取りだけで足りる作業は、操作まで任せないほうが安全です。
手順2:入力の種類を決める
講座は、視覚的な情報と構造の情報を組み合わせて使うと説明しています。スクリーンショットは見た目を捉え、DOMは要素の位置と役割を捉えます。片方だけでは、見えない要素や、画像に見えるだけの文字を取りこぼします。
| 入力 | 分かること | 苦手なこと |
|---|---|---|
| スクリーンショット | 見た目、ボタンの位置 | 画面外の要素、読み上げ用の情報 |
| DOM | 要素の種類、名前、階層 | 見た目の優先順位 |
手順3:1つの作業から作る
講座は、まず1つの作業を任せる例から始めます。対象のページから情報を取り出し、依頼した条件に沿って講座の案内を返す、という形です。結果は決まった形式で受け取ります。
形式を決めておくと、取り出し漏れと余計な記述の両方が見つけやすくなります。自由な文章で返させると、どこまでが抽出結果か分かりません。
手順4:複数の手順が要る作業に広げる
次の段階は、ページを探す、内容を要約する、フォームを埋める、登録を済ませる、といった連続した作業です。各手順の前に、いま何ができているかを確認する地点を置きます。
手順が増えるほど、途中の小さな誤りが最後まで残ります。入力欄の取り違えや、押すボタンの選択違いが典型です。各手順の結果を記録しておくと、どこで崩れたかを後から特定できます。
手順5:失敗を自分で直す仕組みを入れる
講座の後半は、AgentQと呼ばれる枠組みを扱います。探索の手法と、自分の出力への批判、選好に基づく学習を組み合わせ、失敗から立ち直る動きを作ります。講座は、探索の考え方をアニメーションで説明する回も用意しています。
仕組みを入れる前に、失敗の記録を集める必要があります。どんな操作で、何を見誤ったのかが残っていれば、直す対象が決まります。エージェントの役割分担はAIエージェントのページで、道具の渡し方はツール利用のページで扱っています。
FAQ
Q. プログラミングの経験はどの程度必要ですか。
A. 講座は、Pythonの基本が分かる人を対象にしています。8本の動画に3つのコード例が付き、段階を追って組み立てる構成です。エージェントの考え方だけを知りたい場合は、動画の前半だけでも流れは追えます。
Q. 誤った操作をしてしまうのが怖いです。
A. 講座は、1回の誤りが後の手順に連鎖する点を課題として挙げています。確認の入力を挟む、操作の記録を残す、対象を読み取り専用のページに限る、といった制限を先に決めておくと安全です。
あわせて使いたいツール
組み立てを試す環境と、指示を書く側を分けて用意します。料金と提供条件は各サービスの公式情報で確認してください。
出典
出典:DeepLearning.AI「ブラウザAIエージェントの構築」(2026年7月17日更新、Div Garg・Naman Garg講師、AGI Inc提供、全8講義)。画面の画像とDOMの併用、1つの作業から始める構成、複数手順への拡張、AgentQによる自己修正の扱いは同講座の公開ページの記載に基づきます。
関連ガイド
- エージェントの4つの型を順に試す5ステップ
- 用語:エージェンティックAI
- 用語:MCP(Model Context Protocol)
- 既存のAIエージェントに音声を足す5ステップ
- AIエージェントに仕事を任せる5ステップ
最新のAI情報をメールで受け取る
新着のAIツール比較・ランキング・ニュースを、まとめてお届けします。
ご登録後、確認メールをお送りします。配信停止はいつでも可能です。
