AI Подпрограммы: Детерминированная автоматизация браузера с нулевой стоимостью токенов

Что делают AI Subroutines
AI Subroutines записывают действия в браузере один раз и сохраняют их как вызываемые инструменты, которые воспроизводятся с нулевой стоимостью токенов, нулевой задержкой LLM-инференса и со 100% детерминизмом. Сгенерированный скрипт выполняется внутри самой веб-страницы, а не через прокси, headless-воркер или внешнее решение.
Ключевое архитектурное решение
Скрипт выполняется в контексте исполнения веб-страницы, что означает автоматическое добавление всех аутентификационных данных, CSRF-токенов, TLS-сессий и подписанных заголовков в запросы. Не требуется установка сертификатов, модификация TLS-отпечатков или поддержка отдельного стека аутентификации.
Механизм записи
Во время записи расширение перехватывает сетевые запросы с использованием двух уровней:
- PATCH для fetch/XHR в MAIN-мире, устанавливаемый до запуска любых скриптов страницы
- API webRequest Chrome в качестве коррелированного резервного варианта для CORS и путей service-worker
Захватываются тела запросов, включая FormData, Blob и сырые байты, а не только JSON.
Обработка сетевого захвата
Система оценивает и сокращает примерно 300 запросов до около 5 на основе нескольких сигналов:
- Источник первого лица против третьего лица (+20 / −15)
- Известные хосты телеметрии (Sentry, Segment, Hotjar, RUM): −80
- Временная корреляция с DOM-событиями (+28 в пределах 800 мс, +16 в пределах 2,5 с)
- Метод и структура полезной нагрузки (изменяющие POST/PUT/PATCH/DELETE: +35; GET: +5; с телом запроса: +8)
- Качество ответа (2xx: +12; 4xx+: −25; непустое тело: +4)
- Волатильные идентификаторы операций (−18) для GraphQL queryId, doc_id, operationHash
Волатильные идентификаторы операций GraphQL активируют резервный вариант только с DOM, прежде чем они молча сломаются при следующем запуске.
Структура сгенерированного кода
Сгенерированный код объединяет сетевые вызовы с DOM-действиями (клик, ввод, поиск) в одной функции через пространство имён помощника rtrvr.*. Пять лучших ранжированных запросов плюс DOM-взаимодействия формируют контекст объёмом 12 000 символов для генератора.
Паттерн использования
Направьте AI-агент на таблицу из 500 строк, и всего одним вызовом LLM параметры назначаются, а 500 Subroutines запускаются.
Ключевые сценарии использования
- Запишите отправку DM в Instagram, затем используйте переиспользуемую рутину для отправки DM с нулевой стоимостью токенов
- Создайте рутину для получения последних продуктов в каталоге сайта, вызывайте её для получения тысяч продуктов через прямые GraphQL-запросы
- Настройте рутину для заполнения EHR-форм на основе параметров, с AI, выводящим параметры из текущего контекста страницы
- Переиспользуйте рутины ежедневно для синхронизации исходящих сообщений в LinkedIn/Slack/Gmail с CRM через MCP-сервер
Почему это важно
Фундаментальная проблема с браузерными агентами для повторяющихся задач заключается в том, что проходить через цикл инференса не нужно. Запись один раз и генерация LLM скрипта, который использует все возможные методы взаимодействия (прямые API-вызовы, DOM-взаимодействия, сторонние инструменты/API/MCP-серверы), обеспечивает детерминированную и экономичную автоматизацию.
📖 Read the full source: HN LLM Tools
👀 Смотрите также

Сервер MCP подключает Claude к маркетплейсу агент-агент взаимодействий
Разработчик создал MCP-сервер, который предоставляет пять инструментов и два ресурса, позволяя Claude искать, вызывать и оплачивать возможности других ИИ-агентов на маркетплейсе. Сервер включает постоянное хранилище в виде агентского хранилища и был в основном реализован с использованием Claude Code.

Qhatu: Платформа превращает репозитории GitHub в микросервисы SaaS с оплатой за использование с помощью Claude
Qhatu — это платформа, которая берёт репозиторий GitHub и разворачивает его как микро-SaaS с оплатой за использование, сгенерированным фронтендом и интегрированной обработкой платежей. Система использует API Anthropic для анализа кода, генерации Dockerfiles и создания интерфейсов витрин.

Рукузу: Перенос 200 000 строк кода графовой базы данных с C++ на Rust с помощью систематического тестирования
Проект Rukuzu описывает рабочий процесс переноса встроенной графовой базы данных kuzu на языке C++ объемом 200 000 строк на Rust, используя пользовательскую команду Claude Code для одновременного поддержания обеих версий и проверки корректности через 2 700+ тестов.

Repowise: Предвычисленный контекст кодовой базы для Claude Code сокращает использование токенов и время выполнения задач вдвое
Repowise индексирует вашу кодовую базу в четыре слоя (граф зависимостей, сигналы git, вики-документация, ADR) и предоставляет восемь MCP-инструментов для Claude Code, сокращая археологию по 30 файлам до 5 MCP-вызовов и 2 минут.