Tencent BrowserSkill 0.3.0 ปิดทางลัดของ agent: แฟล็ก --unattended ใช้ข้ามการยืนยันไม่ได้อีกแล้ว ย้ายสวิตช์มาอยู่ที่เบราว์เซอร์ของคุณ

BrowserSkill เป็นโปรเจกต์โอเพนซอร์ส (MIT) ของ Tencent ที่แก้โจทย์ที่นักพัฒนาสาย agent เจอทุกวัน — automation เบราว์เซอร์แบบเดิมรัน browser เปล่าที่ไม่ได้ล็อกอินอะไรเลย ทำให้ agent เข้าถึงอะไรที่อยู่หลัง login ไม่ได้ แนวคิดของ BrowserSkill คือให้ agent ยืมแท็บจากเบราว์เซอร์จริงของคุณ ที่ล็อกอินไว้อยู่แล้ว ทำงานเสร็จก็คืน และห้ามยุ่งกับแท็บอื่น

โปรเจกต์นี้ขึ้นอันดับต้น ๆ ของ GitHub Trending เมื่อ 18 ก.ย. (เพิ่มกว่า 1,300 ดาวในวันเดียว รวมเป็นราว 4,400) หลังปล่อย เวอร์ชัน 0.3.0 เมื่อ 16 กันยายน 2026 — และสิ่งที่น่าสนใจที่สุดในรีลีสนี้ไม่ใช่ฟีเจอร์ใหม่ แต่คือ breaking change ที่ถอดทางลัดออกจากมือ agent

สิ่งที่ถูกถอดออก และเหตุผลที่มันสำคัญ

CHANGELOG ของ 0.3.0 ระบุใต้หัวข้อ Automation settings ว่า:

สวิตช์ยืนยันการยืมแท็บและสวิตช์ขอความช่วยเหลือจากมนุษย์ ที่บันทึกไว้ในส่วนขยาย จะมีผลกับทั้งเซสชันเดิมและเซสชันใหม่ ส่วน --unattended, tab borrow --no-confirm และ BSK_REQUEST_HELP=off เป็น อินพุตเพื่อความเข้ากันได้ที่เลิกใช้แล้ว และไม่สามารถ override สวิตช์เหล่านี้ได้

อ่านผ่าน ๆ เหมือนเรื่องเล็ก แต่นี่คือการเปลี่ยน ว่าใครถือสิทธิ์ตัดสินใจ เดิมแฟล็กพวกนี้อยู่ในคอมมานด์ไลน์ — ซึ่งแปลว่าตัว agent เอง (หรือสคริปต์ที่ agent เขียนขึ้น หรือคำสั่งที่ถูก prompt injection ยัดเข้ามาจากหน้าเว็บที่มันกำลังอ่าน) สามารถเติม --unattended เข้าไปเองแล้วปิดการขออนุญาตได้ พอ 0.3.0 ย้ายสวิตช์ไปอยู่ที่ การตั้งค่าของส่วนขยายในเบราว์เซอร์ มันก็กลายเป็นสิ่งที่มีแต่มนุษย์เจ้าของเครื่องเท่านั้นที่เปลี่ยนได้ — agent เขียนแฟล็กเก่งแค่ไหนก็คลิกป๊อปอัปส่วนขยายแทนคุณไม่ได้

นี่คือหลักการเดียวกับที่เห็นในสเปก MCP Skills (SEP-2640) ที่บังคับว่า allowed-tools ซึ่งสกิลจากเซิร์ฟเวอร์ MCP ประกาศมาเองต้องถูกเมิน เว้นแต่ผู้ใช้อนุมัติ — ขอบเขตความปลอดภัยต้องอยู่ฝั่งผู้ใช้ ไม่ใช่ฝั่งสิ่งที่ถูกควบคุม

ทีมงานเตือนไว้ตรง ๆ ใน README ว่าใครที่มี workflow แบบไม่มีคนเฝ้าอยู่ ต้องไปตั้งค่าในเบราว์เซอร์ใหม่ก่อนอัปเกรด ไม่งั้นงานจะไปค้างที่หน้ายืนยัน

ของใหม่ที่เหลือใน 0.3.0

• Remote browser connections — เชื่อมจากเครื่องอื่นผ่านเซิร์ฟเวอร์ในตัว มีลิงก์จับคู่แบบใช้ครั้งเดียว ต่ออายุและเพิกถอน credential ของอุปกรณ์ได้ รองรับ TLS ในตัวหรือผ่าน reverse proxy (แต่ อัปโหลด/ดาวน์โหลดไฟล์ผ่าน remote ยังไม่รองรับ)
• Operation audit — ประวัติงานแบบ opt-in เก็บไว้บนเครื่องที่รัน daemon เป็น metadata ที่ redact แล้ว ส่งออก/ลบได้ เก็บ 30 วัน
• Full-page screenshot — แคปหน้ายาวทั้งหน้าได้ทั้งจาก Quick Actions และ CLI (bsk screenshot --session <id> --full-page --out page.png) สตรีมผลเป็น PNG ยกเลิกกลางคันได้ และจัดการหน้าที่โหลดแบบ lazy
• Host-managed daemon — ตั้ง BSK_HOME กับ BSK_AUTO_START=0 สำหรับ agent ที่ sandbox ของมันฆ่า background process ทิ้งหลังจบทุกคำสั่ง (ปัญหาที่คนรัน agent ในคอนเทนเนอร์เจอบ่อย)
• primitive ใหม่: scroll-to-element, mouse-wheel จริง, focus/blur แบบชัดเจน, canvas visual refs และ element screenshot ตามต้องการ
• พอร์ตของ daemon ตั้งค่าได้จากป๊อปอัปส่วนขยาย และเพิ่มภาษาเกาหลี

ใช้ยังไง และรองรับอะไรบ้าง

จุดขายของ BrowserSkill คือ ไม่ผูกกับ harness ใด harness หนึ่ง — อะไรก็ตามที่เรียก shell ได้ ก็ใช้ bsk CLI ได้ README ระบุรายชื่อที่ติดตั้งสกิลได้ในคำสั่งเดียวผ่าน bsk install-skill ไว้แล้ว: Cursor, Claude Code, Codex, OpenClaw, CodeBuddy, WorkBuddy, Pi, Hermes Agent ส่วน DeepSeek Harness ใช้ปลั๊กอินแยก และ harness อื่นก็แค่ก๊อป skill/SKILL.md ไปวางใน skills directory ของตัวเองเป็น browser-skill/SKILL.md

รองรับ macOS (ทั้ง Apple Silicon และ Intel), Linux (x64/ARM64), Windows x64 ส่วนเบราว์เซอร์รองรับ Chrome และ Edge อย่างเป็นทางการ (Chromium ตัวอื่นที่โหลด unpacked extension ได้ก็คาดว่าใช้ได้ ส่วน Firefox อยู่ในแผน) ตัวส่วนขยายมีอยู่ทั้งบน Chrome Web Store และ Edge Add-ons

ที่คิดมาดีคือ human-in-the-loop ในตัว — เมื่องานชนกับ captcha, หน้าล็อกอิน หรือ dialog ยืนยันที่ต้องเป็นคนทำ agent จะขอให้คุณเข้าไปทำแทนแล้วค่อยทำงานต่อ ไม่ใช่ล้มทั้งงาน และงานของ agent จะรันใน Agent Window แยกที่มองเห็นได้ เพื่อให้คุณใช้เบราว์เซอร์ของตัวเองต่อไปได้

มุมมอง AI Curator

เรากำลังอยู่ในช่วงที่เครื่องมือ agent ค่อย ๆ เรียนรู้บทเรียนเดียวกันจากคนละทาง: สิ่งที่ agent สั่งตัวเองได้ ไม่ควรเป็นสิ่งเดียวกับสิ่งที่ปกป้องผู้ใช้จาก agent ปีนี้เราเห็นรูปแบบนี้ซ้ำแล้วซ้ำอีก — ตั้งแต่สเปก MCP ที่บังคับให้เมิน permission ที่สกิลประกาศเอง ไปจนถึงการที่ Claude Code ตั้ง ask-before-acting เป็นค่าเริ่มต้น การที่ Tencent ยอม ทำ breaking change ในเวอร์ชัน 0.3.0 เพื่อปิดแฟล็กที่ตัวเองเป็นคนใส่มา คือการยอมรับว่าดีไซน์เดิมผิด ซึ่งน่านับถือกว่าการค่อย ๆ deprecate เงียบ ๆ

แต่ต้องพูดให้ครบ: BrowserSkill ยังเป็นเครื่องมือที่ มีความเสี่ยงสูงโดยธรรมชาติ ไม่ว่าจะออกแบบดีแค่ไหน คุณกำลังให้โมเดลภาษาเข้าถึงเบราว์เซอร์ที่ล็อกอินอีเมล ธนาคาร และ admin panel ของคุณไว้อยู่ หน้าเว็บที่มันอ่านคือช่องทาง prompt injection โดยตรง และตัวยืนยันการยืมแท็บก็ป้องกันได้แค่ “แท็บไหน” ไม่ได้ป้องกัน “ทำอะไรในแท็บนั้น” ฟีเจอร์ operation audit ที่เพิ่มมาใน 0.3.0 จึงเป็นสิ่งที่ผมแนะนำให้ เปิดตั้งแต่วันแรก ทั้งที่มันเป็น opt-in — เพราะวันที่มีอะไรผิดพลาด คุณจะอยากมีบันทึกว่ามันไปแตะอะไรบ้าง

สำหรับบริบทไทย โจทย์ที่ตรงที่สุดคืองานที่ติดอยู่หลัง ระบบที่ไม่มี API ซึ่งเป็นสภาพของระบบราชการและระบบภายในองค์กรไทยจำนวนมาก — พอร์ทัลที่ต้องล็อกอินด้วยรหัสองค์กร ระบบ e-filing ที่มีแต่หน้าเว็บ งานคีย์ข้อมูลซ้ำ ๆ ข้ามระบบที่ไม่คุยกัน ที่ผ่านมาทางออกคือเขียน Selenium/Playwright แล้วมันพังทุกครั้งที่หน้าเว็บเปลี่ยน BrowserSkill ให้ agent อ่านหน้าเว็บแล้วปรับตัวเองได้ ซึ่งทนต่อการเปลี่ยน UI มากกว่า — แต่คำแนะนำคือเริ่มจากงาน อ่านอย่างเดียว (ดึงข้อมูล ทำรายงาน แคปหน้าจอ) ให้ชินก่อน แล้วค่อยขยับไปงานที่กรอกฟอร์มหรือกดยืนยัน เพราะความผิดพลาดของสองอย่างนี้มีต้นทุนคนละระดับกันสิ้นเชิง

แหล่งข่าว

• BrowserSkill cli-v0.3.0 — GitHub Releases (17 ก.ย. 2026)
• CHANGELOG 0.3.0 — Tencent/BrowserSkill (ลงวันที่ 16 ก.ย. 2026)
• BrowserSkill README — การติดตั้ง, harness ที่รองรับ, ข้อควรระวังตอนอัปเกรด