Jev Ultrafast

Jev Ultrafast 是 browser-use 团队推出的新一代浏览器自动化智能体，其核心创新在于将传统“视觉感知→推理→动作生成”的串行流程，重构为单次 TypeSafe 请求即可完成的结构化决策问题。在 Google Flights 上执行“苏黎世→伦敦单程经济舱”搜索任务，端到端耗时仅 7.1 秒（含页面加载、文本生成与等待），相比同类方案显著提速。

该工具不依赖截图驱动或站点专用脚本，而是通过原子化 DOM 快照生成带索引的元素表，模型仅需从预定义操作集（CLICK/TYPE_TEXT/SELECT 等）中选择目标元素。仅当操作为 TYPE_TEXT 时，才调用小型 LLM 生成文本内容，其余决策完全由结构化头完成，大幅减少推理开销与幻觉风险。

技术架构：一次请求、零截图、原子执行

Jev Ultrafast 的速度优势源于五项工程优化：

• 单请求双决策：操作选择与目标定位共享同一观察状态，在一次网络往返中同时返回 operation 和对应 target，避免多轮交互延迟。
• 无截图默认循环：Agent 消费结构化元素表而非图像；截图仅用于调试检查器，视频录制独立于决策流，消除视觉编码瓶颈。
• 原子 DOM 快照：每次观察仅发起一次浏览器调用，同步获取可见控件的名称、值、文本及 DOM 引用，保留节点新鲜度守卫防止过期操作。
• 执行前验证：点击前校验文档状态、表单值、目标可见性及遮挡情况；输入前解析几何布局并拒绝被覆盖控件，仅动画变化不触发重预测。
• 智能等待策略：组合框输入后等待建议列表出现（上限 200ms）；其他交互最多等待 2 帧或 50ms，且等待发生在执行记录之后，不阻塞主循环。

此外，系统通过焦点仿真维持后台标签页渲染活性，仅发送视口内可见文本以压缩上下文，并在页面刷新后复用未变更的文本生成结果，进一步减少冗余计算。

动作空间与类型安全机制

每次页面观察生成如下格式化元素表：

[1] button    Change ticket type · Round trip
[2] combobox  Where from?        · San Francisco
[3] combobox  Where to?          · empty
[4] textbox   Departure          · empty

支持的操作包括 CLICK、TYPE_TEXT、SELECT、SCROLL_UP/DOWN、WAIT、DONE、BLOCKED。每个操作头仅包含语义兼容的元素子集（如 SELECT 仅暴露下拉选项），原生下拉菜单携带观测到的选项索引。模型输出严格约束为 JSON 对象，永不生成 CSS 选择器、坐标、JS 代码或 shell 命令，从根本上杜绝注入风险。

文本生成由独立小型 LLM（如 inception/mercury-2.5）负责，仅在 TYPE_TEXT 操作时触发，且输入前必须解析为合法 JSON。整个策略不含任何硬编码字段名或站点适配逻辑，Flights 示例仅提供自然语言目标并独立验证结果正确性。

部署与使用方式

快速试用：

git clone https://github.com/browser-use/jev-ultrafast.git
cd jev-ultrafast
uv sync
cp .env.example .env  # 填入 TYPESAFE_API_KEY 和 TEXT_MODEL_API_KEY
uv run jev

访问 http://127.0.0.1:8766 启动演示，检查器实时显示编号元素、操作/目标概率及执行轨迹。“Choose next”模式可在每步暂停供人工审核。Chrome 通过 Browser Harness 连接，首次运行需允许远程调试权限。

库集成：

from jev_ultrafast import Agent

with Agent(
    "https://www.google.com/travel/flights?hl=en",
    "Find one-way flights from Zurich to London on September 20, 2026, for one adult in economy."
) as agent:
    for state in agent.run():
        print(state["elapsed_ms"], state["status"])

同一策略可复用于不同任务（如 Wikipedia 文章查找、本地酒店筛选），无需修改代码。所有运行轨迹、失败案例及性能边界均记录于 performance.md。

性能证据与当前局限

在六次交替运行中（相同模型/配置），Google Flights 任务中位耗时从 9.45s 降至 7.09s（↓25%），浏览器协议调用从 1,092 次减至 101 次。Wikipedia 文章打开耗时 2.8s，本地酒店搜索 1.9s。但需注意：此为单一任务重复测试，非通用可靠性基准；DONE 状态仍需外部验证结果正确性。

MVP 明确排除以下场景：

• Shadow DOM、iframe、canvas 元素
• 文件上传、弹出标签页、嵌套滚动容器
• 任意键盘快捷键或非标准控件
• 完整 ARIA 可访问名称解析（仅处理常见 HTML/ARIA 控件）

此外，所有标签页共享现有 Chrome 配置文件，不支持隔离会话。DOM 读取器对动态 SPA 的适应性仍依赖快照新鲜度机制，极端异步渲染可能漏检。

Jev Ultrafast 代表了浏览器 Agent 从“模拟人类浏览”向“结构化程序交互”的范式转变。它牺牲了通用视觉理解能力，换取确定性与速度，特别适合表单填写、信息检索等高结构、低歧义的自动化任务。对于需要像素级 UI 理解或复杂手势的场景，传统视觉 Agent 仍是必要补充。