从"生成"到"选择"：结构化动作空间如何重塑 AI 在智能体工作流中的价值
【免费下载链接】jev-ultrafastFastest and cheapest web agent项目地址: https://gitcode.com/gh_mirrors/je/jev-ultrafast
过去两年，让大模型"自己写代码、自己调工具"的生成式 Agent 路线迅速走红，但伴随而来的却是两条无法回避的曲线：token 成本随步骤数指数膨胀，以及自由生成动作带来的不可控幻觉。当模型每走一步都要重新生成"下一步做什么"的自由文本时，一次浏览器自动化任务可能消耗上万 token，还可能在某个不存在的选择器或坐标上戛然而止。就在这种背景下，社区里悄然出现了一类反向思路——把"下一步"从生成问题改造成选择题。以 TypeSafe 的 Jev 决策模型为底座、由 browser-use 生态实现的 jev-ultrafast，用 7.1 秒跑完一次真实的 Google Flights 机票查询，并把浏览器协议调用量压掉了 90.8%。本文结合该仓库源码与社区实测情报，拆解"选择式决策"这一范式究竟改写了 Agent 工作流中的哪些环节，以及它为什么正在从浏览器向更广的决策引擎蔓延。
生成式 Agent 的成本与幻觉之痛：为什么业界开始转向"选择"
典型的生成式浏览器 Agent 走的是"截图 → 多模态推理 → 输出自然语言动作 → 解析执行"的链路。每一步都要把整页截图和长上下文喂给大模型，动作以自由文本或结构化 JSON 形式生成，再由外围代码解析成可执行指令。这套链路有三个结构性代价：
- 协议调用爆炸：一次点击往往伴随多次 DOM 查询、坐标计算与状态轮询。jev-ultrafast 的实测对照里，旧版完成一次机票查询需要1,092 次浏览器协议调用，而新架构只要101 次——削减了 90.8%（docs/performance.md）。
- 上下文臃肿：多模态截图与滚动文本让每轮推理的输入 token 居高不下。相反，选择式决策每轮只消费一份结构化的"元素表 + 目标 + 最近动作"，精简上下文带来的直接收益是决策延迟中位数仅178 ms。
- 幻觉被"自由格式"放大：当模型有权输出选择器、坐标甚至脚本时，任何一个编造的目标都会导致失败或误操作。这也是社区对 Jev 类模型"只做选择题"的讨论焦点——头条与知乎侧的热议文章反复强调其"速度快 193 倍、成本低 444 倍"（社区情报：Jev 全量开放），而 CSDN 的实测文章也把"规避多模态截图与幻觉风险"列为该架构最核心的收益。
成本侧的数字同样直观：在 jev-ultrafast 的机票任务中，两次真实的文本生成（城市名 Zurich / London）经 OpenRouter 计费仅0.00006272 美元（docs/performance.md）。社区流传的"Jev 1 万次判断大约 3 块钱"正是这套分工的写照——决策交给专门的选择模型，文本才交给生成模型，各司其职，互不越界。
Jev 的范式内核：结构化动作空间、严格 JSON 契约与可审计性
jev-ultrafast 的自我定位非常明确——"A browser agent that chooses instead of generating"（pyproject.toml）。整个闭环由四个文件构成：agent.py 承载主循环、snapshot.js 负责原子化快照、model.py 实现动态操作/目标双头决策、browser.py 负责安全执行。
把页面变成"编号选择题"
每一次页面观察，snapshot.js 会在一次浏览器调用内读取可见控件、名称、取值与文本，产出一张带编号的元素表：
[1] button Change ticket type · Round trip [2] combobox Where from? · San Francisco [3] combobox Where to? · empty [4] textbox Departure · empty ...每个真实 DOM 节点通过WeakMap获得代码所有的身份 ID（window.__jevFast），Map则保存用于执行的活动引用；节点被替换会获得新身份、断开的引用被裁剪、导航会重置缓存。快照还包含page_key与逐控件的guards（文档、表单值、选中态、附近上下文等语义指纹），供执行前做新鲜度校验——而不是靠统计 DOM 突变次数来判定页面是否变化。
关键约束在于：模型只看到编号与语义描述，永远看不到选择器或坐标。动作空间被收敛为CLICK、TYPE_TEXT、SELECT、SCROLL_UP、SCROLL_DOWN、WAIT、DONE、BLOCKED这 8 种预定义操作，且只开放与控件能力匹配的候选——输入框才有 TYPE_TEXT，下拉框的 SELECT 目标还附带代码侧维护的选项索引。正如 README.md 所写："Model output never becomes selectors, coordinates, shell commands, or executable JavaScript."
推测性扇出：操作与目标，一次网络往返
选择式决策的精髓在 model.py 的choose()中体现得淋漓尽致。一次请求同时携带操作头与每个操作各自的目标头（speculative fan-out）：
operation头回答"下一步执行哪个操作"；- 每个操作对应一个独立的目标头（如
click_target、type_text_target、select_target），各自只包含兼容的候选元素； - 执行器只消费选中操作对应的目标头——未使用的目标头即使输出了荒谬答案也无法触发任何动作；
- 目标头无法读取操作头的答案，因此其提示词会显式声明"本问题假设执行的操作是 X"。
这套设计的直接收益是：两个决策（操作 + 目标）合并为一次网络往返，且天然杜绝了"操作与目标不匹配"的经典错误。离线测试对此有专门覆盖——test_all_heads_are_one_request_and_only_matching_head_executes断言一次请求内同时包含操作与各目标头，test_click_cannot_consume_a_text_target验证 CLICK 操作永远无法消费 TYPE_TEXT 目标（tests/test_agent.py）。
严格 JSON 契约：验证比提示词更可靠
选择式架构的另一半，是"输出必须通过严格校验才能被执行"。
决策侧，validate_choice()（model.py）逐项检查：choice必须存在于候选集合、概率键集合与候选完全一致、概率值有限且非负、概率和与 1 的偏差小于 0.02、置信度落在 0~1、被选中的候选概率必须接近最大值。任何一项不满足，整次决策直接抛错且不执行任何动作。测试用unknown / nan / missing / negative / non_max / confidence六种变异逐一验证了拒绝路径（tests/test_agent.py）。
文本侧同样苛刻：只有操作是 TYPE_TEXT 时，才把"目标 + 页面上下文 + 最近动作"交给一个小型 OpenAI 兼容模型（默认 DeepSeek，示例配置为 Mercury）。其输出必须解析为恰好一个键的 JSON 对象{"text": "..."}，多一个键、非字符串、超过 2000 字符或为空都直接拒绝，"nothing typed"——代码不提取引号字面量，也不允许执行器猜测文本（tests/test_agent.py 中test_text_helper_rejects_invalid_values覆盖了Thinking: Zurich、{"text":null}、多余键、非字符串四种攻击样本）。
执行侧的护栏在 browser.py：动作执行前重新解析目标几何、校验可见性与点击遮挡（elementFromPoint命中测试），点击前比对语义指纹；原生下拉框的中断执行被视为不可重试的失败，因为 change 事件可能已经触发。
可审计性：每一步都留下证据
选择式决策天然可审计——因为动作空间是有限的、可枚举的。每轮循环在 agent.py 中把以下字段写入history：执行的 action、kind、选中项、目标概率、操作概率、置信度、模型延迟、token 用量、页面指纹是否变化。执行先记录、再观察，即使随后的观察遭遇导航中断，已执行的动作也不会被抹掉（test_stale_observation_preserves_executed_action覆盖此场景）。
更重要的原则是：DONE 从来不是成功证据。examples/flights.py 内置独立的verify()，从结果页 URL 解码tfs参数核对日期、比对 One way / Zürich / London / "Sun, Sep 20" 的控件取值，并检查可见的航班结果标签——任何一项不满足即判定失败并退出。这正是 AGENTS.md 反复强调的纪律："Verify actual final outcomes independently. A DONE choice is not proof of success."
实测：一次真实任务的三组数字
仓库保留了完整的匹配对照实验（docs/performance.md）：6 次交替运行、同一任务、同一浏览器配置、同一组模型，原始版与优化版各通过独立验证 3/3。结果如下：
| 指标 | 原始版 | 优化版 | 变化 |
|---|---|---|---|
| 任务耗时中位数 | 9.450 s | 7.092 s | −25.0% |
| 浏览器协议调用中位数 | 1,092 | 101 | −90.8% |
| TypeSafe 请求中位数 | 22 | 17 | −22.7% |
最终发布的演示录像为一次7,073 ms的完整 Google Flights 查询：苏黎世 → 伦敦、单程、2026-09-20、一名成人经济舱，文本生成两次（Zurich 581 ms、London 346 ms），全部为真实速度、无剪辑加速。同策略还在 2.798 s 内打开了维基百科的哥德尔不完全性定理条目，并以 1.896 s 通过了本地酒店筛选夹具。
范式扩散：从浏览器到决策引擎的路径
值得注意的不仅是 jev-ultrafast 本身，而是"选择式决策"正在从单一浏览器智能体演变为一整类架构共识。社区开源热榜（2026-09-21 周榜）中，与 Jev 范式同批上榜的项目已达 7 个：除浏览器智能体 jev-ultrafast 外，还包括上下文压缩（fast-jev-compaction）、类型化决策引擎（laya）、语义 if 接口（SemIf）等。它们的共同技术词条高度一致——结构化动作空间、单次前向传播类型决策、logits 直接评分、多语言路由与置信度校准，技术栈以 Python 与 TypeScript 为主，卖点都是"低幻觉、高时效、可审计、轻量部署"。
这条扩散路径的逻辑是清晰的：浏览器只是结构化动作空间最容易验证的落地场景（控件天然可枚举），而 laya 把同样的"类型化决策"下沉为通用引擎，SemIf 则把"语义判断"接口化——从'生成一段话让人解析'，到'在枚举选项里直接打分取最大值'。决策模型本身（TypeSafe 的 Jev）也因此被社区视为独立的"决策小脑"：具身智能、RPA、自动化测试等一切"意图 → 操作"映射场景都在尝试接入。竞争与演进信号同样密集：Intern-Decision 以多模态决策 SOTA 挑战 Jev、Cloudflare 推出 Clef 决策模型、Decitron 代表另一条决策技术路线——这都从侧面印证，选择式决策已从个例变成了赛道。
当然，范式红利有明确边界。选择式架构的适用前提是动作空间可枚举：它擅长确定性 UI 交互，却不支持复杂跨页推理与任意文本生成。仓库也坦承其局限：DOM 读取器未实现完整 accessible-name 规范，shadow root、frame、canvas、上传、弹出标签页、嵌套滚动与任意键盘控件均不支持；6 次运行样本是"受控输入对比"，而非通用可靠性基准；一次成功的公开工作流不能代表广袤网页的平均水平（docs/design.md）。
从"生成"到"选择"，本质是把 Agent 的可靠性问题从概率性的语言生成转移到确定性的枚举决策上：模型不再为世界编造下一步，而只在代码已经确认可能的世界里挑一个。配合严格 JSON 契约、执行前语义校验与独立结果验证，选择式 Agent 把"大模型 + 浏览器"这条最不可控的自动化链路，改造成了一条可度量、可审计、成本可预测的流水线。对于所有正在构建智能体工作流的团队，这或许才是比"更强的模型"更值得先落地的工程决策。
【免费下载链接】jev-ultrafastFastest and cheapest web agent项目地址: https://gitcode.com/gh_mirrors/je/jev-ultrafast
创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
--倾斜度检测)
