WebsiteBench: Yapay Zeka Ajanları Tarayıcı Keşfiyle Web Sitelerini Yeniden İnşa Edebilir mi?

WebsiteBench Nedir ve Neden Önemlidir?#

TIGER-AI-Lab/WebsiteBench, yapay zeka ajanlarının (AI agents) gerçek bir web tarayıcısı üzerinden etkileşime girerek mevcut web sitelerini ne ölçüde keşfedebildiğini ve baştan sona yeniden inşa edebildiğini ölçen Python tabanlı bir değerlendirme (benchmark) aracıdır. Günümüzde otonom ajanlar yalnızca metin üretmekle kalmayıp tarayıcı otomasyonu (browser-automation, browser-use) ve full-stack uygulama geliştirme süreçlerinde aktif rol almaktadır.

WebsiteBench, statik ekran görüntülerinden kod üretmenin ötesine geçerek ajanların dinamik bir web sitesinde gezinme, sayfa geçişlerini anlama, etkileşimli bileşenleri çözme ve işlevsel bir kopyasını oluşturma kapasitesini test ettiği için dikkat çekmektedir. Geliştiriciler için bu repo, kendi tasarladıkları otonom kodlama ve web ajanlarının gerçek dünya senaryolarındaki sınırlarını görmek adına standartlaştırılmış, ölçülebilir bir test ortamı sunar.

Geliştiriciler İçin Değeri ve Pratik Kullanım Senaryoları#

Çok adımlı ajanlar ve tarayıcı tabanlı sistemler geliştiren mühendisler, WebsiteBench'i farklı aşamalarda projelerine dahil edebilir:

• Full-Stack Kodlama Ajanlarını Test Etme: Geliştirdiğiniz bir AI ajanının hedef bir web sitesinin yalnızca görsel arayüzünü (UI) değil, menü etkileşimlerini, form davranışlarını ve durum (state) geçişlerini ne kadar doğru kopyalayabildiğini nesnel metriklerle ölçebilirsiniz.
• Tarayıcı Otomasyonu ve Keşif Kıyaslaması: Farklı büyük dil modellerini (LLM) kullanan ajanların DOM ağaçlarını okuma, butonlara tıklama ve gizli alt sayfaları keşfetme stratejilerini (browser-use) karşılaştırabilirsiniz.
• UI/UX Modernizasyon ve Göç (Migration) Testleri: Eski web arayüzlerini modern web çatılarıyla yeniden yazmak üzere tasarlanan otonom iş akışlarının doğruluğunu üretim ortamına geçmeden önce bu benchmark ile doğrulayabilirsiniz.
• Akıl Yürütme ve Planlama Analizi: Ajanın karmaşık bir web uygulamasını parçalara ayırıp adım adım kodlama yeteneğini izleyerek sistem istemlerini (system prompts) ve araç çağırma mekanizmalarını optimize edebilirsiniz.

Benzer Araçlarla Karşılaştırma#

Yapay zeka ajanlarını değerlendiren ekosistemdeki diğer popüler araçlarla kıyaslandığında WebsiteBench özgün bir boşluğu doldurur:

• WebArena / Mind2Web: Bu kıyaslama araçları ajanların bir web sitesinde belirli görevleri (örneğin ürün satın alma veya form doldurma) tamamlama başarısını ölçer. WebsiteBench ise siteyi kullanmakla kalmayıp, tarayıcı keşfi sonucunda sitenin kendisini yeniden kodlama ve inşa etme yeteneğine odaklanır.
• Design2Code / Screenshot-to-Code Benchmarkları: Statik bir görselden HTML/CSS üretmeyi test eden araçların aksine WebsiteBench, canlı tarayıcı etkileşimini (browser-automation) zorunlu kılar ve dinamik full-stack davranışları değerlendirir.
• SWE-bench: GitHub üzerindeki yazılım hatalarını çözmeye odaklanırken, WebsiteBench görsel ve etkileşimsel keşif yoluyla sıfırdan web uygulaması sentezini hedefler.