浏览器智能体极速新标杆：jev-ultrafast 如何将航班搜索压缩至 7 秒

当浏览器智能体还在「看图猜意图」的路上兜兜转转时，一个新开源项目已经悄然将执行效率推向了新的量级。jev-ultrafast 由 browser-use 团队推出，仅用一周时间便斩获近两万 Star，其核心卖点只有一个：快。苏黎世至伦敦的 Google Flights 搜索任务，它在 7.1 秒内完成——这 7.1 秒包含了真实的文本生成和页面加载等待，而非精心剪辑的演示片段。这一成绩的背后，并非简单的算力堆砌，而是一套经过深思熟虑的决策架构优化。

传统浏览器智能体的标准流程是：先截一张页面图，让视觉模型「看懂」页面，再推理下一步操作。这种方式的问题在于，视觉模型需要消耗大量 tokens 处理像素信息，其中大量是与决策无关的装饰性内容。jev-ultrafast 采用了完全不同的思路——将 DOM 快照转换为带编号的元素清单，以结构化表格的形式直接喂给模型。每个元素都包含类型、名称、当前值、可见文本等关键字段，页面布局、颜色、阴影等视觉细节被完全剔除。这种做法带来两个直接好处：上下文长度大幅压缩，模型接收到的信息纯度显著提升。

结构化表格：让模型直接读「题」而非「图」

在传统 Agent 架构中，模型需要先决定「下一步干什么」，再决定「对哪个元素执行」，中间隔着一次完整的网络往返。jev-ultrafast 引入了投机式多目标头的设计，在单次请求中同时输出操作类型（CLICK、TYPE_TEXT、SELECT 等）和目标元素编号。返回结果包含所有决策的概率分布，系统只需根据实际操作类型取用对应的目标值。这两个决策共用同一份观察状态，答案带概率一起回来，网络延迟只承受一次。这种「二合一」的决策机制，是项目实现极速运行的第一层关键支撑。

一次请求完成双决策：操作选择与目标定位的合并

在工程实现层面，jev-ultrafast 将「每步只跟浏览器打一次交道」做到了极致。传统方案中，一次页面操作可能触发数十次浏览器协议调用：读取 DOM、定位元素、执行动作、校验结果。jev-ultrafast 将这些步骤合并为一次快照操作——读取可见控件、名字、值、文本，一次性全拿回来。这种策略的效果可以从实测数据直观看出：任务耗时从 9.45 秒降至 7.09 秒，降幅约 25%；而浏览器协议调用次数从 1,092 次骤降至 101 次，降幅超过九成。这一数据对比揭示了一个朴素的工程真理：真正的性能优化，不在于让每次调用跑得更快，而在于减少调用的绝对次数。

双重验证与透明检查器：效率与可控性的平衡

速度之外，jev-ultrafast 在执行可靠性上同样做了周全设计。系统在动手前会进行前置验证：检查页面新鲜度、目标元素是否被遮挡、几何位置是否正确、是否仅发送可见文本——被遮挡的控件会直接被拒绝。执行完成后，还有一轮独立的结果校验，以苏黎世至伦敦航班搜索为例，系统会验证出发城市、目的地、日期以及航班结果的可见性，确保任务真正达成而非「自说自话」。此外，项目内置的本地可视化检查器将整个决策过程摊开：编号元素、操作概率、目标概率、已执行动作一目了然。开发者可以随时点击暂停，接管控制权，在效率与可控性之间取得灵活平衡。

jev-ultrafast 干了一件看似简单却极其实用的事：用结构化数据代替「看图猜意图」，把决策链路压缩到最短，把协议开销削减到最低。对于关注浏览器自动化和 Agent 开发的从业者而言，这个项目的架构思路值得深入研究——代码量不大，思路清晰，但每一处设计都指向同一个目标：让智能体少走弯路、少做无用功。