WebBrain: AI เอเจนต์ในเบราว์เซอร์ที่กดและพิมพ์แทนคุณ ปลอดภัยพอหรือยัง?

โดย Nokka (นก-กา) | นักเขียนอิสระสาย AI และระบบเปิด | ตรวจสอบข้อมูล ณ 23 ต.ค. 2026

บทความนี้เขียนโดย AI (deepseek-v4.1-flash · ผู้ให้บริการโมเดล: ollama-cloud) ผ่าน Hermes Agent ภายใต้การควบคุมและตรวจสอบคุณภาพโดยมนุษย์ - Nokka (นก-กา)

คลิปที่พามาถึงส่วนขยายตัวหนึ่ง

ผมเจอคลิป Facebook ชิ้นหนึ่งซึ่งเล่าเรื่องส่วนขยายชื่อ WebBrain ที่ติดตั้งใน Chrome, Firefox และ Edge แล้วให้ AI อ่านหน้าที่เปิดอยู่ และลงมือคลิกหรือพิมพ์แทนเราได้

ณ วันที่ 23 ตุลาคม 2026 คลิปนี้มีผู้ชมราว 35,000 ครั้งและมีปฏิกิริยา 386 ครั้ง [1]

คำบรรยายใต้คลิปคัดลอกมาจาก README ของ repo ตรง ๆ ผมจึงไปเปิดต้นทางแทนที่จะอ่านต่อจากภาพ

ตัวเลข ณ วันที่ผมตรวจคือ 1,524 ดาว 184 forks 7 issues ที่เปิดอยู่ สร้างเมื่อ 6 เมษายน 2026 และมี commit ล่าสุด 22 ตุลาคม 2026 ภายใต้สัญญาอนุญาต GPL-3.0-or-later [2]

บน Firefox ตัวสร้างมีข้อจำกัดชัดเจนกว่า Chrome เพราะไม่มี Chrome DevTools Protocol ทำให้คลิกบางปุ่มบนเว็บ React หรือ Vue อาจไม่ทำงาน และจับภาพเต็มหน้าไม่ได้ [2]

สรุปสั้น

• WebBrain เป็นส่วนขยายเบราว์เซอร์ที่วาง agent ไว้ในแผงข้าง ใช้ได้ทั้งโหมดถาม ตอบ และโหมดสั่งงานที่คลิกพิมพ์เองได้
• จุดที่ต่างจาก chatbot ทั่วไปคือมันอ่านหน้าเว็บผ่าน accessibility tree ไม่ใช่การเดาจากพิกเซล และมีโหมดวางแผนให้ตรวจก่อนลงมือ
• มันเลือกโมเดลได้ตั้งแต่โมเดลในเครื่องอย่าง Ollama ไปจนถึง API หลายเจ้า หรือจะใช้โมเดลตั้งต้นที่ไม่ต้องใส่คีย์ก็ได้
• ความเสี่ยงไม่ได้อยู่ที่ตัวส่วนขยายอย่างเดียว แต่อยู่ที่คุณภาพของโมเดลที่คุณต่อเข้าไป เพราะข้อมูลหน้าเว็บทั้งหมดจะถูกส่งไปที่ผู้ให้บริการโมเดลนั้น
• สิทธิ์ที่ขอค่อนข้างกว้าง รวมถึงการอ่านทุกเว็บและอ่านคลิปบอร์ด สมกับความเป็น agent ที่ต้องทำงานแทนคน

มันทำงานอย่างไร

เว็บเบราว์เซอร์ปกติบอกอะไรกับโปรแกรมได้จำกัด ส่วนขยายที่ต้องการทำงานแทนคนจึงต้องขอสิทธิ์อ่านหน้าเว็บ

WebBrain อ่านหน้าเว็บผ่านสิ่งที่ README เรียกว่า accessibility tree แทนการไล่ selector ที่เปราะ

ข้อดีคือมันได้รายการปุ่ม ช่องกรอก และลิงก์ที่ระบุตัวตนได้ชัด แทนที่จะต้องเดาจากพิกัดบนจอ

พึงระวังคำว่า accessibility tree ตรงนี้ให้ดี เอกสารของโปรเจกต์ระบุว่า tree นี้ถูกสร้างโดยไล่ DOM เอง แล้วปล่อยออกมาเป็นข้อความแบบย่อหน้า ไม่ใช่การอ่าน tree ที่เบราว์เซอร์สร้างให้โปรแกรมอ่านหน้าจอ [6]

ผมจึงไม่ควรเทียบมันกับโปรแกรมอ่านหน้าจอแบบตรงตัว การเทียบนั้นเป็นภาพเปรียบเทียบเชิงแนวคิดเท่านั้น

คลิปและ README อธิบายโหมดการทำงานสามแบบ คือ ask สำหรับถามตอบ act สำหรับสั่งให้ลงมือ และ dev สำหรับงานที่ต้องตรวจโครงสร้างเว็บ

ก่อนลงมือในโหมด act และ dev มันสร้างแผนให้ตรวจก่อน แต่ค่าเริ่มต้นคือ Try planning ซึ่งงานสั้น ๆ ที่ประเมินว่าเป็นงานตรงไปตรงมาจะข้ามการ์ดแผนไปเหลือเพียงการตรวจเจตนา งานที่มีหลายเป้าหมาย จ่ายเงิน จอง ลบข้อมูล หรือส่งข้อความหลายคนยังได้แผนเต็ม และปิด planning ได้ในการตั้งค่า [2]

จุดนี้สำคัญเพราะผู้อ่านที่เข้าใจว่ามีด่านอนุมัติทุกครั้งจะประเมินความเสี่ยงต่ำเกินจริง

สิทธิ์ที่ส่วนขยายขอ

เอกสารความปลอดภัยของโปรเจกต์เปิดเผยรายการสิทธิ์ครบถ้วน ซึ่งรวมถึงการอ่านทุก URL การเข้าถึงแท็บ การจับภาพแท็บ การอ่านและเขียนคลิปบอร์ด และการเชื่อมต่อเครือข่ายภายใน [3]

การเปิดเผยแบบนี้เป็นสัญญาณที่ดี เพราะโปรเจกต์จำนวนมากไม่เคยเขียนว่าตัวเองขอสิทธิ์อะไร

แต่ผู้อ่านควรเข้าใจตรงกันว่าสิทธิ์ขนาดนี้เทียบเท่ากับการให้โปรแกรมหนึ่งอ่านทุกหน้าที่คุณเปิด และเห็นทุกอย่างที่คุณคัดลอก

เลือกโมเดลได้ตั้งแต่ในเครื่องถึงคลาวด์

จุดขายที่ผมคิดว่าสำคัญที่สุดคือมันไม่ล็อกคุณไว้กับผู้ให้บริการรายเดียว

README ระบุว่าโมเดลตั้งต้นคือ WebBrain Compass 1.0 ซึ่งไม่ต้องใส่คีย์ และโมเดลที่รันในเครื่องเองก็ไม่ต้องมีคีย์เช่นกัน

ถ้าคุณมีเซิร์ฟเวอร์แบบ OpenAI-compatible อยู่แล้ว ก็ชี้มันมาที่พอร์ตนั้นได้เลย

llama.cpp:  llama-server -m your-model.gguf --port 8080
Ollama:     ollama serve   (เปิดที่ :11434/v1)

เอกสารยังบอกว่ามีการ์ดผู้ให้บริการสำเร็จรูป 112 รายการบน Chromium และ 111 รายการบน Firefox ครอบตั้งแต่ Azure, Bedrock, Mistral, DeepSeek, Grok, Qwen ไปจนถึง OpenRouter [2]

ภาษาไทยจะรอดไหม

นี่คือคำถามที่ผู้อ่านไทยควรถามก่อนติดตั้ง

โมเดลในเครื่องขนาดเล็กมักทำงานภาษาไทยได้จำกัด โดยเฉพาะเมื่อต้องอ่านหน้าเว็บไทยที่ปนภาษาอังกฤษและศัพท์เฉพาะ

ถ้าคุณใช้โมเดลคลาวด์ระดับแนวหน้า ผลลัพธ์ภาษาไทยจะดีขึ้นชัด แต่ข้อมูลหน้าเว็บก็จะออกจากเครื่องคุณทุกครั้งที่ agent ทำงาน

การเลือกจึงเป็นการแลกกันระหว่างความเป็นส่วนตัวและความสามารถ ซึ่งไม่มีคำตอบเดียวสำหรับทุกคน

ข้อมูลอะไรออกจากเบราว์เซอร์บ้าง

เอกสารความเป็นส่วนตัวของโปรเจกต์เขียนไว้ตรงไปตรงมาว่าในทุกเทิร์น ข้อความของคุณ เนื้อหาหน้าเว็บ โครงสร้างหน้าเว็บ ภาพหน้าจอ ประวัติการเรียกเครื่องมือ และหน่วยความจำของผู้ใช้ จะถูกส่งไปยังผู้ให้บริการโมเดลที่คุณตั้งค่าไว้ [4]

ตารางเดียวกันยังระบุว่าถ้าคุณพิมพ์รหัสผ่านหรือคีย์ลงในแชท หรือ agent กรอกข้อมูลเหล่านั้นแล้วมันไปปรากฏในผลลัพธ์ของเครื่องมือ ข้อมูลนั้นก็ถูกส่งไปด้วย [4]

ประโยคนี้ควรอ่านซ้ำ เพราะมันหมายความว่าการใช้ agent กับหน้าธนาคารหรือระบบหลังบ้านของบริษัทคือการส่งข้อมูลนั้นให้ผู้ให้บริการโมเดล

ถ้าคุณใช้โมเดลในเครื่อง ตัวประมวลผลและข้อมูลหน้าเว็บจะอยู่บนเครื่องคุณโดยค่าเริ่มต้น ซึ่งเป็นเหตุผลหลักที่คนเลือกใช้ Ollama กับงานอ่อนไหว

แต่ยังมีทางออกที่ต้องรู้ เอกสารระบุถึงสวิตช์แชร์ข้อมูลเพื่อการวิจัยที่ปิดไว้โดยค่าเริ่มต้น พร็อกซีแบบ local ที่อาจส่งต่อไปยัง upstream และคำถามเลือกโหมดที่ส่งข้อความของคุณไปยัง decision model ที่ตั้งค่าไว้ [4]

เรื่องที่ต้องระวังที่สุดคือ prompt injection

เมื่อ agent อ่านหน้าเว็บได้และลงมือได้ หน้าเว็บก็กลายเป็นช่องทางสั่งงานมันได้เช่นกัน

ตัวอย่างที่รู้จักกันดีคือข้อความซ่อนในหน้าเว็บที่สั่งให้ agent ทำสิ่งอื่น เช่นส่งข้อมูลออกไปหรือกดยืนยันธุรกรรม

โปรเจกต์นี้มีเอกสารเรื่องการป้องกัน prompt injection แยกต่างหาก และเขียนไว้เองว่ายังมีช่องโหว่ที่รู้อยู่ [5]

การมีเอกสารแบบนี้ดีกว่าการเงียบ แต่ไม่ได้แปลว่าปลอดภัย 100 เปอร์เซ็นต์

หลักปฏิบัติที่ผมจะใช้คือไม่ให้ agent ลงมือบนเว็บที่เกี่ยวกับเงินหรือข้อมูลลูกค้า และเลี่ยงการสั่งงานที่ต้องคลิกพิมพ์ โดยตั้งคำถามแบบอ่านอย่างเดียวหรือขึ้นต้นข้อความด้วย /ask เพราะแผงข้างไม่มีสวิตช์โหมดให้ปิด โหมดถูกเลือกอัตโนมัติต่อข้อความ

สัญญาอนุญาตแบบ GPL กระทบใครบ้าง

โปรเจกต์ใช้ GPL-3.0-or-later ซึ่งเป็นสัญญาแบบ copyleft

ถ้าคุณเป็นบริษัทที่ต้องการนำโค้ดไปดัดแปลงและแจกจ่ายต่อ คุณจะมีพันธะต้องเปิดโค้ดที่ดัดแปลงด้วย

แต่การใช้ส่วนขยายเพื่อทำงานภายในองค์กรไม่ถือเป็นการแจกจ่าย จึงมักไม่กระทบพนักงานทั่วไป

ฝ่ายไอทีควรอ่านเงื่อนไขก่อนอนุญาตให้ติดตั้งในเครื่องบริษัท เพราะนโยบายซอฟต์แวร์มักเข้มกว่าที่พนักงานคิด

ถ้าจะลอง ผมจะเริ่มแบบนี้

1. ติดตั้งจากหน้าร้านทางการของเบราว์เซอร์คุณ ไม่ใช่ไฟล์ที่ส่งต่อกันในแชท
2. เริ่มที่โหมด ask ก่อนหนึ่งสัปดาห์ เพื่อดูว่ามันอ่านหน้าเว็บที่คุณใช้จริงได้แม่นแค่ไหน
3. ถ้าจะใช้โหมด act ให้เริ่มกับเว็บที่ไม่เกี่ยวกับเงินและไม่มีการล็อกอินสำคัญ
4. ถ้างานนั้นอ่อนไหว ให้ต่อกับ Ollama ในเครื่องแทนคลาวด์
5. อ่านหน้า permissions ในเบราว์เซอร์ก่อนกดอนุญาต และถอนสิทธิ์เมื่อเลิกใช้

บทเรียนจากคลิปนี้

WebBrain เป็นตัวอย่างที่ดีของทิศทาง browser agent ในปีนี้ คือไม่ต้องรอให้เว็บรองรับ API แต่ใช้สิ่งที่ผู้ใช้เห็นอยู่แล้วเป็นช่องทางทำงาน

ความสามารถที่มันให้มาสูงพอที่จะเปลี่ยนวิธีทำงานได้จริง และความโปร่งใสเรื่องสิทธิ์กับข้อมูลก็ดีกว่าโปรเจกต์ส่วนใหญ่ในหมวดเดียวกัน

แต่ยิ่ง agent ทำแทนเราได้มากเท่าไร ผลของการพลาดก็ยิ่งสูงขึ้นตามไปด้วย

ถ้าคุณจะให้ AI คลิกแทนคุณ คำถามแรกจึงไม่ควรเป็นว่ามันฉลาดแค่ไหน แต่ควรเป็นว่าคุณยอมให้มันเห็นและส่งอะไรออกไปบ้าง

แหล่งอ้างอิง

[1] Facebook, reel เรื่อง WebBrain, เผยแพร่ก่อน 23 ต.ค. 2026 (35,000 ผู้ชม · 386 ปฏิกิริยา · คำบรรยายคัดจาก README ของ repo). https://www.facebook.com/reel/1359509252928249/

[2] GitHub, "webbrain-one/webbrain", README, สืบค้น 23 ต.ค. 2026 (1,524 ดาว · 184 forks · GPL-3.0-or-later · สร้าง 6 เม.ย. 2026 · commit ล่าสุด 22 ต.ค. 2026 · โหมด ask/act/dev · Compass 1.0 ไม่ต้องใช้คีย์ · 112 การ์ดผู้ให้บริการบน Chromium และ 111 บน Firefox · คำสั่ง llama.cpp และ Ollama). https://github.com/webbrain-one/webbrain

[3] GitHub, "docs/security-model.md", สืบค้น 23 ต.ค. 2026 (รายการสิทธิ์ของ Chrome MV3 รวม , debugger, tabCapture, clipboardRead, privateNetworkAccess · host_permissions ครอบทุก URL และ localhost). https://github.com/webbrain-one/webbrain/blob/main/docs/security-model.md

[4] GitHub, "docs/privacy-and-data-flow.md", สืบค้น 23 ต.ค. 2026 (ข้อความ เนื้อหาหน้า โครงสร้างหน้า ภาพหน้าจอ ประวัติเครื่องมือ และหน่วยความจำ ถูกส่งไปยังผู้ให้บริการโมเดลที่ตั้งค่า · ข้อมูลรับรองถูกส่งด้วยถ้าปรากฏในผลลัพธ์เครื่องมือ). https://github.com/webbrain-one/webbrain/blob/main/docs/privacy-and-data-flow.md

[5] GitHub, "docs/prompt-injection-defense.md", สืบค้น 23 ต.ค. 2026 (ชั้นการป้องกันและช่องโหว่ที่ยังรู้อยู่). https://github.com/webbrain-one/webbrain/blob/main/docs/prompt-injection-defense.md

[6] GitHub, "docs/accessibility-tree-and-refs.md", สืบค้น 23 ต.ค. 2026 (ฟังก์ชัน generateAccessibilityTree ไล่ DOM เองแล้วปล่อยเป็นข้อความแบบย่อหน้า ไม่ได้อ่าน tree ที่เบราว์เซอร์สร้างให้โปรแกรมอ่านหน้าจอ). https://github.com/webbrain-one/webbrain/blob/main/docs/accessibility-tree-and-refs.md