侧边栏壁纸
博主头像
离开的兔子

行动起来,活在当下

  • 累计撰写 55 篇文章
  • 累计创建 1 个标签
  • 累计收到 1 条评论

目 录CONTENT

文章目录

不让大模型自己挑按钮,browser-use 把网页 Agent 压到了 7.1 秒

Administrator
2026-11-22 / 0 评论 / 0 点赞 / 1 阅读 / 0 字

写过浏览器 Agent 的人,大概都经历过同一套折磨:每一步把整页 DOM 或截图塞给大模型,让它输出一段结构化动作,再解析、再定位、再执行。一步两三秒,十步就半分钟,token 账单跑得比脚本还快。更烦的是它偶尔会“点”一个根本不存在的按钮,或者把选择器写成一个看着合理、跑起来报错的 CSS 路径。

browser-use 团队放出的 jev-ultrafast,针对的就是这件事。一句话概括:它把“选什么操作、点哪个元素”交给 TypeSafe 的索引式动作空间,小模型只在需要输入文字时开口。README 里给的数字是,Google Flights 从苏黎世搜到伦敦,7.1 秒走完,包含真实文本生成和页面加载等待。

截至整理时,这个仓库 2.2 万 Star,主语言 Python。

慢和贵,根子在“自由生成”

现在主流的做法是把浏览器交给大模型当手。模型看到的是页面快照,输出的是自由文本形式的动作指令。问题在于,页面上可能有一百个可交互元素,模型每次都要在一百个候选里重新做判断,还得把判断结果写成能被程序解析的格式。

这带来三个直接成本:token 花在描述页面上、延迟花在推理上、错误率花在“模型以为有的元素”上。

jev-ultrafast 换了个思路:不让模型自由生成选择器,而是先给页面建一张编号表,再让模型从表里选号。

核心机制:一张元素表 + 八个操作

每次观察页面,产出的是一个带编号的元素清单,形式大致是这样:

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

动作空间被收窄到八个:CLICK、TYPE_TEXT、SELECT、SCROLL_UP、SCROLL_DOWN、WAIT、DONE、BLOCKED。

关键在于“只提供支持的操作和目标”。也就是说,模型收到的候选集里不存在页面之外的东西,它没法点名一个不存在的按钮。选操作、选目标由 TypeSafe 的 Jev 完成;只有当操作是 TYPE_TEXT 时,才叫一个小模型去生成那段文本——比如城市名。

这个切分很划算。真正需要语言能力的地方其实只有“往框里填什么”,而“点哪儿”本质上是个检索问题,用不着大模型硬想。

对大模型省下的三笔账

第一笔是幻觉。 目标从自由文本变成编号,输出空间被物理约束住,点错元素的概率结构性地下降。这是我个人最看重的点——Agent 调试最花时间的往往不是逻辑,而是“它为什么点了那个东西”。

第二笔是延迟。 一次 TypeSafe 请求就能拿到决策,不需要模型先读懂整页再思考。7.1 秒跑完一趟航班搜索,从量级上看和人类操作接近了。

第三笔是钱。 文本生成只在输入场景触发,其余步骤走的是轻量决策。任务越长、输入越少,省得越明显。

调试体验也顺带变好了。 元素表是给人看的,出错时你能直接对着编号复现:“第 3 步它选了 [7],但 [7] 是个隐藏元素。”这比读一段模型自由发挥的 JSON 舒服太多。

一个具体场景长什么样

输入是一句自然语言目标:从苏黎世到伦敦,在 Google Flights 上查航班。

Agent 拿到首个页面观察结果,生成元素表。TypeSafe 判断当前应该操作 Where from? 这个 combobox,操作类型是 TYPE_TEXT。这时小模型才被唤起,写出“Zürich”。填入之后页面刷新,重新观察,元素表更新,继续往下推。整个过程在 README 的 demo 里是一倍速录的。

这类“表单填写 + 翻页 + 点查询”的流程,正好卡在它的舒适区:步骤明确、元素可枚举、文本量小。

用之前必须知道的几件事

README 顶部挂着 Browser Use Cloud 的等待名单,说明云端版本还在早期阶段。自己跑本地,绕不开 TypeSafe 这个外部依赖(docs.typesafe.ai),配置和额度得提前确认,README 里没给一条 pip install 就能完事的快速开始,jev_ultrafast/agent.py 是理解主循环的入口。

八个操作是硬边界。拖拽、文件上传、hover 触发菜单、富文本编辑,这些都不在动作空间里。页面越“重交互”,它越吃力。

元素表的可读性直接决定成败。可访问性做得好的站点(表单、列表、常规电商、航旅查询)表现会不错;一堆 div 拼出来、语义标签乱写的页面,元素描述会退化成噪音,编号再多也没用。

登录态、验证码、风控是另一码事,这套机制不解决它们,也不该指望它解决。

最后,README 给的定位是“最快最便宜”,这是速度与成本维度上的优化,不等于“最可靠”。生产环境拿它当主力爬虫,我不建议;当需要探索性操作的辅助工具,或者当一套动作空间设计的参考实现,价值更大。

适合谁,不适合谁

适合:正在做浏览器 Agent、被延迟和 token 成本卡住的人;想看看“约束输出空间”这条路能走到哪儿的开发者;需要跑大量结构清晰的表单类任务、且对单步错误容忍度低的场景。

不适合:要处理复杂交互组件的项目;需要稳定长期运行的生产管线;完全不想引入第三方决策服务、想纯本地自洽的方案。

我会重点看什么

我会先翻 jev_ultrafast/agent.py,确认这个循环在页面变化、元素失效、操作被 BLOCKED 时的回退逻辑——这些边界比 7.1 秒那个数字更能说明它离能用还有多远。然后是性能测量文档里的口径:7.1 秒包含哪些等待、跑了几次、什么网络条件。最后看元素表在真实复杂站点上的退化程度。

项目卡片

| 项目 | browser-use / jev-ultrafast | | --- | --- | | GitHub | https://github.com/browser-use/jev-ultrafast | | 技术栈 | Python | | 运行环境 | 本地运行,依赖 TypeSafe 的 Jev 决策服务 | | 状态 | 云端版本处于等待名单阶段;动作空间仅 8 种操作 | | 适合人群 | 做浏览器 Agent、关注延迟与成本的开发者 |

你现在的浏览器 Agent,一步大概要几秒?是卡在模型推理上,还是卡在页面定位上?留言说说你的瓶颈,我看看有没有更省事的绕法。

本期项目

browser-use/jev-ultrafast
0

评论区