Browser Use open-sources jev-ultrafast browser agent
A no-screenshot loop and single-round-trip design cut protocol calls from 1,092 to 101, completing a Google Flights search in 7.1 seconds.
7.1 秒在 Google Flights 完整查完苏黎世到伦敦的航班？jev-ultrafast 刚把 Web Agent 的速度卷到了全新量级。 以往的浏览器自动化 Agent 普遍存在两大痛点：一是每一步都要截高清图送给多模态大模型，推理延迟极高；二是浏览器 DevTools Protocol 频繁往返，交互极其笨重。而 Browser Use 开源的这个新项目，直接把中位数协议调用次数从 1092 次砍到了 101 次，端到端耗时降低 25% 以上。 拆解一下它的核心工程架构，为什么它能跑得这么快： 零截图循环（No-Screenshot Loop）：默认决策回路彻底摒弃多模态图像传输与视觉识别，纯靠原子级 DOM 解析器提炼出的结构化索引表（Element Table），大幅削减 Token 开销与图像推理时延。 投机分支与单轮网络往返：传统流程需要“看页面 → 定动作 → 找目标”多轮对话，而它在一次请求中同时输出动作（CLICK、TYPE_TEXT 等）与对应候选目标。如果判定为点击，仅激活点击目标通道，将双重决策压缩至单次网络往返。 主模型与轻量文本分离：框架只在检测到 TYPE_TEXT 时才调起轻量小模型生成文字内容（支持兼容 OpenAI 接口的模型如 Gemini、DeepSeek 等），让昂贵的推理开销只发生在刀刃上。 原子级快照与微秒级轮询：通过定制的 JavaScript 注入一次性提取可见节点、几何坐标与有效输入控件；下拉建议框轮询硬顶上限 200 毫秒，常规交互等待仅保留 2 个动画帧（不超过 50 毫秒）。 防御式物理验证：模型的输出永远不会被直接转译为原始 Shell 命令、自由坐标或任意 JavaScript 代码；执行器在点击前会严格校验 DOM 节点的新鲜度、可见性及几何遮挡。 无论是维基百科定向条目检索（2.8 秒）还是酒店过滤任务（1.9 秒），这一套极简状态机与结构化表单驱动的设计，展示了浏览器智能体脱离“纯多模态盲目截屏”后的爆发力。项目基于 Python 与 uv 构建，本地连接 Chrome 即可通过 Inspect 模式调试。 https://github.com/browser-use/jev-ultrafast