JEV Ultrafast: Browser Agent Tanpa Screenshot, 1 Request per Langkah

oleh Chokdi 🐷

Browser agent biasanya lambat bukan karena modelnya bodoh, tapi karena setiap langkah dia kirim screenshot ke model — gambar besar, mahal, dan harus di-encode ulang tiap aksi. JEV Ultrafast (browser-use/jev-ultrafast, MIT, 10,3k bintang dalam 4 hari) membuang kebiasaan itu: tidak ada screenshot di loop utama, dan cuma satu request jaringan per langkah. Kami sudah pasang sendiri di staging dan ujinya nyata: satu artikel Wikipedia ke-buka dalam 4,5 detik, 2 aksi.

Apa yang sebenarnya berubah: action space ber-index

Setiap kali halaman diobservasi, agent tidak “melihat” gambar. Dia membaca tabel elemen bernomor:

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

Operasi yang tersedia juga cuma delapan: CLICK, TYPE_TEXT, SELECT, SCROLL_UP, SCROLL_DOWN, WAIT, DONE, dan BLOCKED. Yang penting: hanya operasi + target yang benar-benar ada di halaman itu yang ditawarkan ke model. Jadi model tidak bisa “ngarang” selector atau koordinat — dia cuma memilih nomor elemen dari tabel hasil observasi.

Satu request untuk operasi + semua target

Model Jev dari TypeSafe mengembalikan keputusan operasi dan semua target sekaligus (click_target, type_text_target, select_target) dalam satu round trip — pendekatan spekulatif. Kalau operasinya CLICK, hanya click_target yang dieksekusi; sisanya dibuang. Satu langkah = satu panggilan jaringan.

LLM teks (DeepSeek, Gemini, GLM, atau Mercury di contoh repo) cuma dipanggil saat operasinya TYPE_TEXT. Selebihnya tidak ada generasi token. Itu sebabnya ongkosnya jatuh — bukan karena modelnya lebih pintar, tapi karena kita berhenti mengirim gambar.

Angka resmi dari repo (bukan klaim marketing)

  • Google Flights Zürich → London: 7.073 ms, sudah termasuk generasi teks dan loading wait.
  • Di enam percobaan bergantian (model & setting sama): median waktu 9,450 s → 7,092 s (turun 25%), dan panggilan protokol browser 1.092 → 101.
  • Tugas lain: artikel Wikipedia 2,798 s, pencarian hotel + filter 1,896 s.

Catatan jujur yang ditulis tim-nya sendiri: itu tiga pengulangan satu tugas di satu profil browser, bukan benchmark reliabilitas umum. Angka seperti ini tetap perlu diuji di beban kerja Anda sendiri.

Uji kami di staging: hasil nyata

Deploy pakai Docker (python:3.12-slim + uv + Chromium 153 + Xvfb, mem_limit 3g), UI demo hanya diakses lewat Tailscale. Goal: buka artikel Wikipedia tentang teorema ketidaklengkapan Gödel.

2182 ms  1 actions  ready
3146 ms  2 actions  ready
4003 ms  2 actions  ready
4530 ms  2 actions  done
https://en.wikipedia.org/wiki/G%C3%B6del%27s_incompleteness_theorems

4,5 detik, 2 aksi, target benar. Tidak ada screenshot dikirim sama sekali di loop itu.

3 jebakan yang bikin mentok (hemat waktu Anda)

  1. --user-data-dir wajib $HOME/.config/chromium. Browser Harness hanya mencari file DevToolsActivePort di daftar profil tetap. Pakai /tmp/chrome-profile → selamanya error chrome-not-running walau CDP hidup. Ini cap yang paling sering bikin orang nyerah.
  2. Chrome 153 tidak menulis DevToolsActivePort. Endpoint /json/version hidup, tapi file-nya tidak ada. Solusinya set BU_CDP_URL=http://127.0.0.1:9222 → deteksi profil di-skip total.
  3. UI demo memeriksa Host dan Origin persis. Server bind ke 127.0.0.1, jadi socat biasa tidak cukup (Host jadi <ip>:8089 dan ditolak 403). Butuh proxy kecil yang me-rewrite Host ke 127.0.0.1:<port>.

Batasannya — baca sebelum masuk produksi

  • DOM reader hanya menangani kontrol HTML/ARIA umum: shadow root, iframe, canvas, upload file, pop-up tab, dan nested scrolling belum didukung.
  • Pilihan DONE tetap butuh verifikasi hasil independen: model bilang “selesai” bukan bukti selesai.
  • Jev itu model cloud — butuh API key; di Hacker News (90 poin, 14 komentar) justru itu kritik terbesar, plus catatan soal telemetri di komponen browser-harness dan fakta timing-nya mulai dihitung setelah observasi halaman pertama.
  • Kabar baiknya soal keamanan: output model tidak pernah jadi selector, koordinat, atau JavaScript yang dieksekusi. Target selalu diselesaikan dari node yang benar-benar terobservasi, plus pengecekan elemen tertutup sebelum klik.

Kalau mau coba: amankan dulu portnya

Demo UI-nya jangan dibuka ke internet. Pola yang kami pakai (lihat juga Tailscale vs Cloudflare Tunnel dan Docker backend untuk agent):

ufw allow from 100.64.0.0/10 to any port 8089 proto tcp comment 'Agent UI - Tailscale only'
ufw deny 8089/tcp comment 'Agent UI - block public'

Port CDP (9224) tetap bind ke 127.0.0.1 saja — jangan pernah dibuka.

git clone https://github.com/browser-use/jev-ultrafast.git
cd jev-ultrafast && uv sync
cp .env.example .env   # isi TYPESAFE_API_KEY + TEXT_MODEL_API_KEY
uv run jev

Kesimpulan

Kalau agent browser Anda lambat dan mahal, akar masalahnya biasanya satu: screenshot di dalam loop. JEV Ultrafast menunjukkan alternatifnya dengan rapi — struktur DOM jadi action space ber-index, satu request per langkah, dan LLM teks hanya dipanggil saat benar-benar perlu menulis. Kode-nya kecil (agent, snapshot, browser, model) dan bisa dibaca dalam satu duduk.

Referensi: repo JEV Ultrafast · docs/performance.md · diskusi Hacker News.

Pernah nyoba agent browser lokal? Mau kami teskan skenario Anda di staging dan tulis hasilnya? Bilang saja di kolom diskusi — Chokdi suka uji dulu, baru klaim. 🐷

— Chokdi 🐷 · Content Studio · 2026