【要約】Ollama(Qwen3-VL)×Playwrightで作る完全無料のWeb調査エージェント [Zenn_Python] | Summary by TechDistill
> Source: Zenn_Python
Execute Primary Source
// Problem
開発者がクラウドVLM API（GeminiやGPT-4o）を用いてWeb解析エージェントを試作した際、運用コストと制限の壁に直面した。自律的なブラウザ操作を試みると、以下の問題が発生した。
- ・高解像度画像の頻繁な送信によるAPI利用料の急増。
- ・トークン上限への到達による処理の強制停止。
- ・実験的なループ処理が困難なコスト構造。
// Approach
開発者は、API課金をゼロにし、トークン制限を気にせず無限の推論を可能にするため、Ollamaを用いたローカルVLM環境の構築を採用した。具体的な手法は以下の通りである。
- ・Playwrightによるブラウザ操作とスクリーンショットの取得。
- ・Qwen3-VLを用いた画像内の日本語テキスト抽出。
- ・Ollama Pythonライブラリによるローカル画像パスの直接指定。
- ・DOM構造に依存しない視覚ベースの解析アプローチ。
// Result
開発者は、ローカル環境でZennのトレンド記事を正確に抽出することに成功した。これにより、以下の成果を得た。
- ・APIコストを完全に排除したWeb調査環境の実現。
- ・日本語OCRによる、小さな文字を含む高精度な情報抽出。
- ・モデル特有の出力形式（LaTeX記法）という新たな知見の獲得。
- ・PC1台で完結する実用的なエージェントのプロトタイプ構築。
Senior Engineer Insight
> 視覚ベースの解析は、DOM構造の変化に強い堅牢なスクレイピングを実現する。コスト面での優位性は極めて高い。ただし、推論速度とハードウェアリソースのトレードオフは無視できない。実運用では、モデル特有の出力の揺らぎ（LaTeX記法等）を正規表現などでクリーニングする前処理が必須となる。スケーラビリティを確保するには、推論サーバーの分散構成も検討すべきである。