Jev Ultrafast: Tác nhân trình duyệt với không gian hành động động và được đánh chỉ mục

Banner Jev Ultrafast

Jev Ultrafast là một tác nhân trình duyệt (browser agent) được thiết kế để thực thi các tác vụ web phức tạp với tốc độ cao. Điểm cốt lõi của dự án nằm ở không gian hành động động và được đánh chỉ mục (dynamic, indexed action space), cho phép tác nhân quan sát trang web, sinh bảng phần tử, và chọn hành động phù hợp chỉ trong một vòng lặp duy nhất.

Dự án do TypeSafe phát triển đã gây chú ý khi hoàn thành tìm kiếm chuyến bay từ Zürich đến London trên Google Flights chỉ trong 7,1 giây, bao gồm cả thời gian chờ trang tải và sinh văn bản thực tế.

Cách hoạt động của không gian hành động

Mỗi lần quan sát trang web, Jev tạo ra một bảng phần tử mới với các chỉ mục cụ thể:

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

Các thao tác được hỗ trợ bao gồm: CLICK, TYPE_TEXT, SELECT, SCROLL_UP, SCROLL_DOWN, WAIT, DONE và BLOCKED. Chỉ những thao tác và mục tiêu được hỗ trợ mới được đưa ra lựa chọn.

Mỗi chu kỳ quyết định chỉ cần một yêu cầu mạng. Các đầu (head) thao tác và mục tiêu chia sẻ cùng trạng thái quan sát.

Demo Jev Ultrafast

Tối ưu hóa hiệu năng

Jev Ultrafast đạt được tốc độ vượt trội nhờ một số quyết định thiết kế quan trọng:

• Không dùng ảnh chụp màn hình trong vòng lặp mặc định. Tác nhân tiêu thụ trạng thái có cấu trúc, giúp giảm đáng kể khối lượng dữ liệu cần xử lý.
• Một lệnh gọi trình duyệt cho mỗi ảnh chụp nhanh: đọc các điều khiển hiển thị, tên, giá trị và văn bản một cách nguyên tử.
• Xác thực mục tiêu được chọn: kiểm tra tài liệu, giá trị biểu mẫu, mục tiêu và ngữ cảnh xung quanh trước khi thực thi.
• Chờ trạng thái hữu ích: sau khi nhập vào combobox, chờ gợi ý hiển thị tối đa 200 ms; các tương tác khác chỉ chờ tối đa hai khung hình hoặc 50 ms.

Kết quả đo lường cho thấy trong sáu lần chạy xen kẽ với cùng mô hình và cài đặt, thời gian tác vụ trung vị giảm từ 9,450 giây xuống 7,092 giây (giảm 25%), số lệnh gọi giao thức trình duyệt trung vị giảm từ 1.092 xuống 101.

Sử dụng thư viện

Jev Ultrafast có thể được dùng như một thư viện Python độc lập:

from jev_ultrafast import Agent

with Agent(
    "https://www.google.com/travel/flights?hl=en",
    "Find one-way flights from Zurich to London on September 20, 2026, "
    "for one adult in economy. Stop when matching flight options are visible.",
) as agent:
    for state in agent.run():
        print(state["elapsed_ms"], state["status"])

Cùng một chính sách (policy) có thể chạy các tác vụ khác nhau, ví dụ tìm và mở bài viết Wikipedia về định lý bất toàn của Gödel.

Bảo mật và giới hạn

Một điểm đáng chú ý về mặt an toàn là đầu ra của mô hình không bao giờ trở thành selector, tọa độ, lệnh shell hay JavaScript thực thi được. Mọi mục tiêu được thực thi đều được giải quyết từ một nút DOM đã quan sát, và bộ thực thi kiểm tra lại tính mới của trang cũng như khả năng bị che khuất của phần tử được chọn.

Tuy nhiên, dự án vẫn còn những giới hạn nhất định trong phiên bản MVP hiện tại:

• Chưa hỗ trợ shadow root, iframe, canvas, tải tệp lên, tab pop-up, cuộn lồng nhau và các widget bàn phím tùy ý.
• Lựa chọn DONE vẫn cần xác minh kết quả độc lập.
• Bộ đọc DOM xử lý các điều khiển HTML và ARIA phổ biến, chưa bao quát toàn bộ đặc tả accessible-name.

Ý nghĩa với cộng đồng công nghệ Việt Nam

Sự phát triển của các tác nhân trình duyệt như Jev Ultrafast mở ra nhiều tiềm năng ứng dụng cho lập trình viên và doanh nghiệp Việt Nam, từ tự động hóa quy trình kiểm thử web, thu thập dữ liệu, đến xây dựng các trợ lý số có khả năng tương tác với giao diện web như con người. Việc tối ưu hóa tốc độ và giảm chi phí gọi API mô hình ngôn ngữ là yếu tố then chốt để các giải pháp này trở nên khả thi về mặt kinh tế trong bối cảnh chi phí hạ tầng AI vẫn còn là mối quan tâm lớn.

Dự án là mã nguồn mở, có thể truy cập tại github.com/browser-use/jev-ultrafast.