چرا عامل‌های سریعی مانند jev-ultrafast هنوز برای یافتن صفحه‌ای که کاربر ده‌ها بار از آن بازدید کرده است، دچار مشکل می‌شوند؟ برای حذف این گلوگاه خاص در اتوماسیون مرورگر مبتنی بر هوش مصنوعی — یعنی زمان تلف‌شده برای ناوبری به مقاصد شناخته‌شده — یک توسعه‌دهنده ابزاری به نام Jev Bookmarks ساخته است.
تصور کنید یک عامل هوش مصنوعی در حال ساخت یک اپلیکیشن حسابداری است. این عامل نیاز دارد به‌طور مکرر یک صفحه ثبت اظهارنامه مالیاتی را بررسی کند. به‌جای اینکه هر بار در سایت جست‌وجو کند یا از میان منوها کلیک کند، عامل باید به‌سادگی همان URLی را باز کند که پنج دقیقه پیش استفاده کرده بود. این دقیقاً همان شکافی است که Jev Bookmarks با ادغام با داده‌های واقعی مرورگر کاربر پر می‌کند.
این ابزار در واقع یک حافظهٔ کوتاه-مدت برای عامل (Agent) — شبیه به یادداشت‌های سریع کنار دست یک کارمند که آدرس‌های پرتکرار را می‌نویسد تا هر بار نپرسد کجا هستند — ایجاد می‌کند. همان‌طور که در تحلیل‌های قبلی ما درباره‌ی حافظهٔ عامل‌های هوشمند اشاره کردیم، نبودِ دسترسی سریع به وضعیت (State) مرورگر، یکی از بزرگ‌ترین موانع در رسیدن به سرعت عملیاتی است. این رویکرد در راستای بهینه‌سازی فرآیندهای تصمیم‌گیری است، مشابه آنچه در راهکار Jev برای حذف خطاهای متنی در عامل‌ها مشاهده کردیم تا دقت عملیات افزایش یابد.
به نقل از گزارشی که در ۳۰ سپتامبر ۲۰۲۶ در وب‌سایت dev.to منتشر شد، این سامانه از یک فرآیند بازیابی سه لایه خاص استفاده می‌کند:
- ذخیره‌های پروژه‌ای: عامل ابتدا URLهایی را که به‌طور خاص برای پروژه توسعه فعلی ذخیره شده‌اند، بررسی می‌کند.
- تاریخچه کروم: اگر ذخیره‌ای یافت نشد، یک افزونهٔ کروم صفحات کاندید را از تاریخچه مرورگر کاربر جمع‌آوری می‌کند.
- انتخاب Jev: عامل عنوان صفحه، نام میزبان (Hostname) و مسیرها (Paths) را دریافت می‌کند — در حالی که رشته‌های پرس‌وجو (Query Strings) برای حفظ حریم خصوصی حذف شده‌اند — تا بهترین نقطه ورود را انتخاب کند.
پس از انتخاب URL، مدل jev-ultrafast کنترل مرورگر را به دست می‌گیرد تا عملیات را اجرا کند. این مدل با بهره‌گیری از معماری بهینه، توانسته است هزینه تصمیم‌گیری را به ۰٫۰۴۲ دلار برای هر میلیون توکن کاهش دهد و بهره‌وری اقتصادی عامل‌ها را بالا ببرد. اگر عامل متوجه شود صفحه‌ای برای رسیدن به یک هدف خاص بسیار مفید است، آن URL را در پوشه پروژه ذخیره می‌کند تا در درخواست‌های آینده مستقیماً از آن استفاده کند. در صورتی که هیچ تطابقی در تاریخچه یا ذخیره‌ها یافت نشود، سیستم پیام «عدم وجود نقطه ورود» (no entry point) را برمی‌گرداند و هوش مصنوعی به حالت استاندارد اکتشاف در مرورگر بازمی‌گردد.
بر اساس مستندات توسعه‌دهنده، اگرچه اعداد دقیقی از افزایش سرعت بر حسب ثانیه ثبت نشده است، اما «تلاش ادراکی» برای یافتن صفحات به‌شدت کاهش یافته است. این تغییر، نقش عامل را از یک «کاوشگر» (Explorer) به یک «اپراتور» (Operator) در محیط‌های شناخته‌شده تبدیل می‌کند. برای دستیابی به چنین سرعتی، بهینه‌سازی‌های زیرساختی ضروری است؛ برای مثال، تکنیک‌های استخراج داده‌های درونی در OpenJev نشان می‌دهد که چگونه می‌توان سرعت پاسخ‌دهی مدل را در محیط مرورگر افزایش داد.
برای یک توسعه‌دهنده معمولی، این یعنی عامل‌های هوش مصنوعی دیگر مانند بازدیدکنندگان بار اول از ابزارهای شما رفتار نمی‌کنند. با بهره‌گیری از تاریخچه محلی، این ابزارها می‌توانند فاز «کشف» یک وظیفه را دور زده و مستقیماً به مرحله «اجرا» بروند.
این رویکرد نویدبخش آینده‌ای است که در آن عامل‌های هوش مصنوعی یک حافظه دائمی و پروژه‌محور از وب حفظ می‌کنند. به‌جای اینکه هر جلسه (Session) را با یک صفحه سفید شروع کنند، عامل‌ها دارای یک نقشه سازمان‌یافته از پرتکرارترین مقاصد حرفه‌ای کاربر خواهند بود.
برای مشاهده این سیستم در عمل، می‌توانید بررسی کنید که چگونه عامل‌های browser-use با افزونه‌های محلی ادغام می‌شوند تا شکاف بین استدلال مدل‌های زبانی بزرگ (LLM) و وضعیت مرورگر را پر کنند.
گام بعدی شما
- بررسی نحوه اتصال عامل‌های browser-use به افزونه‌های محلی برای کاهش تأخیر در استنتاج.
- آزمایش ابزارهای مدیریت حافظه در عامل‌های عامل‌محور برای حذف تکرار در گردش‌کارهای روزمره.
- دنبال کردن توسعه پروتکل‌های استاندارد برای اشتراک‌گذاری «نقشه‌های دسترسی» بین عامل‌های مختلف.
اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره‌ی تراشه‌های Blackwell مراجعه کنید.
گفتگو