‏ساخت browser agent سریع با Jev و Claude Code

تو این مقاله اومده که agentهای مرورگر معمولی که از عکس صفحه و مدل‌های vision استفاده می‌کنن، برای یه کار ۲ دقیقه‌ای گاهی ۱۰ تا ۲۰ دقیقه وقت می‌ذارن. راه‌حلی که نویسنده معرفی می‌کنه اینه که کار رو بین دو تا مدل تقسیم کنی: Jev برای تصمیم‌های سریع و تکراری، و Claude Code برای برنامه‌ریزی، نوشتن و تأیید نتیجه.

Jev یه judgment model هست، یعنی مدلی که متن آزاد تولید نمی‌کنه و فقط از بین چند جواب مشخص یکی رو با یه امتیاز اطمینان انتخاب می‌کنه. سه نوع سؤال ازش می‌شه پرسید: بله/خیر (null)، انتخاب یکی از چند گزینه (choice) و امتیازدهی برای مرتب کردن (score). ورودیش هم یه «state» متنیه، نه عکس.

روند کار این‌طوریه: Playwright یا کتابخونهٔ Jev Ultrafast همهٔ عناصر قابل کلیک یا تایپ صفحه رو درمیاره و شماره‌گذاری می‌کنه (مثلاً لینک قیمت‌ها ۱، دکمهٔ تست رایگان ۲). بعد از Jev دو سؤال پرسیده می‌شه: چه کاری بکنه (click، type، select، scroll، wait، done یا اعلام اینکه صفحه گیر کرده) و روی کدوم عنصر. اگه اطمینان هر دو جواب از حد تعیین‌شده بالاتر باشه، خود کد بدون هوش مصنوعی اون کارو انجام می‌ده و حلقه تکرار می‌شه. به گفتهٔ منبع، هزینه‌ش حدود ۴ سنت برای هر میلیون توکن ورودیه.

Claude فقط سه جا وارد می‌شه: وقتی اطمینان Jev پایین‌تر از آستانه‌ست (تو مثال 0.7) یا می‌گه صفحه گیر کرده و جلو نمی‌ره، وقتی باید متنی تایپ بشه که تو هدف مشخص نشده، و مهم‌تر از همه وقتی Jev می‌گه کار «done» شده. نتیجه‌ش واقعیه: browser.com با همین روش تعداد فراخوانی‌های مرورگر برای یه جستجو تو Google Flights رو از 1,092 به 101 رسونده، یعنی حدود ۹۰ درصد کمتر.

برای ساختنش یه API key از Type Safe و skill مربوط به Jev لازمه و بعد با یه prompt دقیق، Claude Code کل agent رو می‌سازه. تو دموی منبع این کار حدود ۲۰ دقیقه طول کشیده. ولی نویسنده تأکید می‌کنه که این سیستم آماده و بی‌دردسر نیست و چند تا تله داره.

بنرهای کوکی agent رو گیر می‌ندازن، مگه اینکه یه سؤال جدا براشون اضافه کنی. محتوای داخل iframe و دکمه‌های آپلود فایل برای Playwright دیده نمی‌شن، پس فرم‌های پرداخت جاسازی‌شده از دست می‌رن. تو یه تست، agent بعد از ۷۷ ثانیه گفت ۱۰ پست بلاگ رو گرفته، ولی بیشترشون اصلاً پست نبودن. حافظه‌ش هم فقط پنج کار آخر رو نگه می‌داره. یعنی نسخهٔ اول رو باید یه پیش‌نویس در نظر گرفت و کم‌کم سؤال‌ها رو کامل کرد.

نکات کلیدی:

• Jev فقط از بین گزینه‌های مشخص جواب می‌ده و همراهش امتیاز اطمینان برمی‌گردونه؛ متن تولید نمی‌کنه.
• به جای screenshot، لیست شماره‌دار تا حدود ۱۰۰ عنصر صفحه به Jev داده می‌شه.
• Claude وقتی وارد می‌شه که اطمینان زیر 0.7 باشه، متن لازم باشه یا کار «done» اعلام بشه.
• browser.com فراخوانی‌ها رو تو جستجوی Google Flights از 1,092 به 101 رسونده.
• iframe، آپلود فایل و بنر کوکی نقطه‌ضعف‌های اصلی این روش هستن.
• حافظهٔ agent تو مثال منبع فقط پنج کار آخر بوده.