TypeSafe'ın Jev tarayıcı ajanı, indekslenmiş aksiyon uzayıyla web görevlerini saniyeler içinde tamamlıyor

Jev nedir

GitHub'da browser-use organizasyonu altında barındırılan ve 17 Eylül'de Hacker News ana sayfasında öne çıkan Jev Ultraflight adlı proje, dinamik ve indekslenmiş bir aksiyon uzayı etrafında tasarlanmış bir tarayıcı ajanını tanımlıyor. Projenin README'sine göre TypeSafe'ın Jev'i tek bir doğal dil hedefi alıyor ve her karar döngüsünde mevcut sayfadan bir işlem ile numaralandırılmış bir öğe seçiyor. Ayrı küçük bir dil modeli yalnızca seçilen işlem TYPE_TEXT olduğunda metin üretiyor.

Gösterimdeki başrol, Zürih'ten Londra'ya tek yönlü bir Google Flights aramasının 7.073 milisaniyede tamamlanması; süre ölçümü ilk sayfa gözleminden sonra başlıyor ve model çağrılarını, üretilen metni, tarayıcı işini, eski kararları ve yükleme beklemelerini kapsıyor. Bağımsız bir doğrulama, tek yönlü ayarı, her iki şehri, tarihi ve eşleşen uçuş seçeneklerinin görünürlüğünü teyit ediyor.

Aksiyon uzayı nasıl çalışıyor

Sayfanın her gözlemi güncel bir öğe tablosu üretir: görünür denetimler bir indeks, button, combobox veya textbox gibi bir rol, bir ad ve geçerli bir değerle listelenir. İşlem kümesi bilinçli olarak küçüktür — CLICK, TYPE_TEXT, SELECT, SCROLL_UP, SCROLL_DOWN, WAIT, DONE ve BLOCKED — ve yalnızca ilgili denetimin desteklediği işlemler sunulur.

Mimari çekirdek, iki soruyu aynı anda yanıtlayan tek bir spekülatif istektir: hangi işlem yapılacak ve hangi öğe üzerinde hareket edilecek. Her hedef kafası yalnızca kendi işlemiyle uyumlu öğeleri içerir; yani model CLICK'i seçerse yalnızca tıklanabilir hedefler yürütmek için yarışır. README, politikanın siteye özel aksiyon betikleri ve önceden yazılmış alan dizileri içermediğini vurgular; aynı politikanın istenen bir Wikipedia makalesini 2,798 saniyede açtığı ve yerel bir otel arama-filtreleme görevini 1,896 saniyede geçtiği belirtiliyor.

Hız nereden geliyor

README'deki çeşitli mühendislik tercihleri doğrudan gecikmeyi hedefler:

• Varsayılan döngü ekran görüntüsü kullanmaz. Jev yapılandırılmış durumu tüketir; ekran görüntüleri yalnızca inspector demosu için isteğe bağlıdır.

• Anlık görüntü başına tek bir tarayıcı protokol çağrısı görünür denetimleri, adlarını, değerlerini ve metni atomik olarak okur ve canlı DOM düğümlerine referansları korur.

• Seçilen hedefler girdiden önce doğrulanır: yürütücü sayfa tazeliğini yeniden kontrol eder, kapatılmış denetimleri reddeder ve yalnızca animasyon yeni bir tahmin zorunlu kılmaz.

• Beklemeler sınırlıdır. Bir combobox'a yazım yapıldıktan sonra ajan en fazla 200 milisaniye ile sınırlı biçimde görünür önerileri bekler; diğer etkileşimlere en fazla iki animasyon karesi veya 50 milisaniye tanınır.

• Odak emülasyonu, Chrome'un görünür sekmesini değiştirmeden arka plan sekmelerinin render edilmesini sağlar ve modele bağlama yalnızca görünür metin gönderilir.

Ölçülen sonuçlar ve uyarılar

Aynı modeller ve ayarlarla yapılan altı dönüşümlü çalıştırmada, ajanın her iki karşılaştırılan sürümü de üç denemenin üçünü de geçti. Medyan görev süresi 9,450 saniyeden 7,092 saniyeye düştü — yüzde 25'lik bir azalma — medyan tarayıcı protokol çağrısı ise 1.092'den 101'e geriledi; kabaca iki mertebelik azalma. README, bunun tek bir görevin tek bir tarayıcı profilinde üç tekrarı olduğunu, genel bir güvenilirlik kıyaslaması olmadığını ve çalıştırmaların, başarısızlıkların ile ölçüm sınırlarının proje performans notlarında belgelendiğini açıkça belirtir.

Güvenceler ve sınırlar

Tasarım model çıktısını sıkı biçimde kısıtlar. Üretilen çıktı asla selector, koordinat, shell komutu veya çalıştırılabilir JavaScript olamaz; yardımcı modelden gelen metnin yazılmadan önce küçük bir JSON nesnesi olarak ayrıştırılması gerekir. DONE seçimi yine de bağımsız sonuç doğrulaması gerektirir.

Mevcut MVP'nin sınırları nettir: DOM okuyucu yaygın HTML ve ARIA denetimlerini işler ancak accessible-name spesifikasyonunun tamamını değil; shadow root'lar, frame'ler, canvas içeriği, dosya yüklemeleri, açılır sekmeler, iç içe kaydırma ve rastgele klavye widget'ları desteklenmiyor. Sahip olunan sekmeler mevcut Chrome profilini paylaşır.

Denemek için

Depo klonlanıp uv paket yöneticisiyle çalıştırılabilir; bir TypeSafe API anahtarı ve bir metin modeli anahtarı gerekir. Örnek yapılandırma, reasoning devre dışı bırakılmış inception/mercury-2.5 çalıştıran bir OpenRouter anahtarı kullanır; Gemini, GLM ve DeepSeek de OpenAI uyumlu yardımcı aracılığıyla desteklenir. 8766 portundaki yerel demo, numaralandırılmış öğeleri, işlem ve hedef olasılıklarını ile yürütülen aksiyonları gösteren bir inspector sunar; bir Python kütüphanesi de ajanı bir URL ve hedef kabul eden bir context manager olarak ortaya çıkarır.

Neden önemli

Çoğu tarayıcı ajanı ekran görüntülerine ve görüntü modellerine ya da darmadağın aksiyon tanımlarına yaslanır ve her adımda gecikme ile maliyet öder. Jev'in katkısı mimaridir: her kararı, gözlem başına üretilen öğe tablosuna karşı bir işlem artı bir indekse küçültmek ve metin yazılması gerektiğinde devreye küçük bir modeli sokmak. Yaklaşım birkaç gösterilen görevin ötesine genellenebilirse, daha hızlı, daha ucuz ve doğrulanması daha kolay ajanlara işaret ediyor — ancak proje本身 mevcut kanıtlarını dar çerçevede sunmaya özen gösteriyor.