写自己的浏览器任务：Agent 库实战

前四课你一直在「用」Ultrafast：inspector 里看决策、flights.py 复现实录、性能课拆秒表。这一课是 Jev Ultrafast 教程从「照着跑」到「自己写」的转折点——把 Ultrafast 从一个演示变成你代码里的一个库：from jev_ultrafast import Agent，给它一个 URL 和一句目标，它把每一步的状态吐还给你。

官方对这套用法的定位就一句话：同一套策略，换一个 URL 和一句目标，就是新任务（README：The same policy can run a different task）。这一课你会写出自己的 my_task.py、用仓库自带的 run.py 免代码跑任意网页、读懂 state 里的每个字段，并照 flights.py 的模式给自己的任务配上独立验证。

学完你能做什么

用 from jev_ultrafast import Agent 写出自己的浏览器自动化任务脚本，在仓库根目录用 uv run --env-file .env python my_task.py 跑起来
说出 Agent(url, goals, *, record_dir=None, screenshots=False) 每个参数管什么，goals 传字符串和传列表的区别
用 examples/run.py --url … --goal … 不写一行代码跑任意网页任务，--goal 可重复传形成有序目标列表
读懂 run() 逐步返回的 state：history、decisions、text_calls、status、elapsed_ms 各字段怎么用
知道 60 个动作 / 120 次模型调用的预算、blocked 的触发条件，以及为什么 DONE 之后还要自己写验证

你现在的困境

inspector 只能跑预置场景，任务框里改两句话倒是可以，但想把 agent 接进自己的脚本——跑完自动验证、存 trace、失败时报警——不知道从哪下手
想让浏览器每天自动帮你查个东西、填个表，可一想到要写选择器、等加载、处理各种控件就劝退了
翻开 agent.py 想抄作业，循环、决策、状态一堆字段，分不清哪些是给你用的、哪些是内部实现

什么时候用这一招

当你需要：

把 Ultrafast 接进自己的代码：跑完拿结果、存 trace、自动验证、失败报警
同一个自定义浏览器 agent 跑不同网站的不同任务，不想为每个站点手写一套选择器脚本
逐步拿到每一步的数据（动作、概率、延迟、文本调用）做调试或统计

而且不想：

被限制在 inspector 的预置场景里点按钮
为每个网站维护 DOM 选择器，页面一改版就成片挂掉
凭模型自己说 DONE 就宣布任务成功

🎒 开始前的准备

完成了 Ultrafast 安装运行：uv sync 装好依赖、.env 里 TYPESAFE_API_KEY 已填好（要打字的任务还得有 TEXT_MODEL_API_KEY，第 6 步细讲）
（推荐）跑过一次 Google Flights 实战，见过 verify() 独立验证长什么样
网络能访问 api.typesafe.ai 和你要操作的目标网站
想好一个 5 步以内能完成的网页任务（先小后大；60 步预算在第 4 步讲）
会写 Python 脚本、用过 with——今天只需要这些

核心思路

先纠正一个容易产生的错觉：Ultrafast 不是「一个 demo 附带一点代码」，它就是一个可以 import 的 Python 包。包的入口只有两个名字（__init__.py 的 __all__）：Agent 和 Browser——日常你只需要 Agent。

心智模型一句话：你出 URL 和目标，Agent 出循环，你消费 state。

你给的	Agent 做的	你拿到的
`url`：起始页面	打开后台标签页、首次观察	`run()` 逐步 yield 的 state
`goals`：一句目标（或列表）	循环：观察 → 一次 TypeSafe 请求双决策 → 执行	每步的 history / decisions / text_calls
（可选）`record_dir`	stale 处理、预算控制、blocked 判定	最终 status：done 或 blocked

三个关键认识：

1. 同一套策略，换 URL 和目标就是新任务。 策略里没有站点脚本、没有预制字段串（第 3 课讲过原话），所以「自定义任务」不等于「写自动化脚本」——你不写选择器，只写目标。

2. state 是你的一切。 你的代码能做什么，取决于 run() 吐给你的 state 里有什么。上一课拆的账单（17 次请求、178 ms 中位延迟、2 次文本生成）全部来自这些字段——这一课教你直接读它们。

3. 循环自带保险。 页面在决策后变了（stale），循环会丢弃决策、重新观察再来一轮；决策只消费一次，重试不会双击；已生成的文本值只有在输入完全不变时才会复用。这些都不用你写。

三种跑法对比，也是本课的路线图：

	inspector（`uv run jev`）	`examples/run.py`	你自己的脚本
写代码	不用	不用	一个 `my_task.py`
任务来源	预置场景 + 任务框	`--url` / `--goal` 参数	你在代码里定
拿到什么	眼睛看面板	终端进度 + 最终 URL	完整 state，随便处理
自动验证	无	无	你自己写（第 5 步）
适合	看懂决策	快速试一个任务	接进自己的系统

💡 想改 agent 的行为？

原理课说过：自定义任务走 Agent 库的标准接口，而不是往策略里塞逻辑。目标写得越具体，agent 走得越稳——这句目标就是你的「编程接口」。

跟我做

第 1 步：认识 jev_ultrafast Agent——自定义任务的唯一入口

为什么：写脚本之前，先知道这个类给你留了哪几个旋钮——一共四个参数，两分钟后你就全认识了。

签名（出自 agent.py）：

python

Agent(url, goals, *, record_dir=None, screenshots=False)

参数	类型	说明
`url`	str	起始页面。构造时就会打开一个后台标签页（1120×780 视口）并等页面加载完成（最多 15 秒）
`goals`	str 或列表	一句目标；传列表则按序用换行拼成一段任务文本。空目标直接 `ValueError: Supply a task`
`record_dir`	路径（可选）	录制目录：设置后每步自动存一张 jpg（首屏是 `000000.jpg`，之后按累计毫秒命名）
`screenshots`	bool（可选）	观察时是否截图，默认 `False`——默认循环不截图（README 明说）；设了 `record_dir` 会自动带上

三个使用要点：

用 with：Agent 是上下文管理器，with 块结束自动关标签页；构造失败（比如页面打不开）也会先关浏览器再抛错
构造即观察：Agent(...) 一执行就已经打开浏览器、做完首次观察了，不是等你调 run() 才开始
一次性的：跑到 done 或 blocked 后这个 Agent 就结束了，不能续跑（踩坑提醒第 4 条）

你应该看到：在仓库根目录确认一下入口（uv sync 已把包装进环境）：

bash

uv run python -c "from jev_ultrafast import Agent; print(Agent)"

text

<class 'jev_ultrafast.agent.Agent'>

能说出四个参数里今天会用到的两个：url 和 goals

第 2 步：写出你的第一个自定义浏览器任务脚本

为什么：README 的「Use the library」一节先给几行骨架（官方骨架里填的就是第 3 课的 Flights 目标），紧接着说 The same policy can run a different task，并给了 Wikipedia 的命令行例子——先把官方例子写成脚本跑通，再把 URL 和目标换成你的。

在仓库根目录新建 my_task.py（和 examples/ 平级；放根目录是因为 uv run 要在仓库根目录执行）：

python

from jev_ultrafast import Agent

URL = "https://en.wikipedia.org/wiki/Main_Page"
GOAL = "Find and open the Wikipedia article about Gödel’s incompleteness theorems."

with Agent(URL, GOAL) as agent:
    for state in agent.run():
        print(state["elapsed_ms"], state["status"])
print(state["page"]["url"])

这就是官方 README 的 Wikipedia 例子改写成脚本（run.py 里跑的就是同一句话目标，下一步见）。运行：

bash

uv run --env-file .env python my_task.py

注意：这个任务要在搜索框里打字，所以 .env 里 TEXT_MODEL_API_KEY 也得有值（第 6 步细讲配置）。

你应该看到：Chrome 多出一个后台标签页打开维基百科主页面，终端逐行打印「累计毫秒 + 状态」，大多行是 ready，最后一行状态是 done（如果被 blocked，去第 4 步的预算与无效动作判定找原因，或看下一课排错），随后打印浏览器最终停留的 URL——官方冒烟测试里，同一套策略打开这个条目用时 2.798 秒（performance.md 的 Other checks）：

text

<毫秒> ready
<毫秒> ready
……
<毫秒> done
<最终 URL——哥德尔不完备定理的条目页>

（毫秒数与 URL 的具体编码以你本次运行为准）

my_task.py 跑完，最后一行打印的 URL 是哥德尔不完备定理的条目页

第 3 步：用 examples/run.py 免写代码跑任意任务

为什么：临时想试一个任务，连建文件都不必——仓库自带的通用 runner 把 URL 和目标全做成了命令行参数。

README 的原始命令（逐字）：

bash

uv run --env-file .env python examples/run.py \
  --url https://en.wikipedia.org/wiki/Main_Page \
  --goal 'Find and open the Wikipedia article about Gödel’s incompleteness theorems.'

两个参数（出自 run.py 源码）：

参数	说明
`--url`	必填，起始页面
`--goal`	必填，可重复传（argparse 的 `action="append"`），按顺序形成有序目标列表

run.py 的循环体就两件事：每步打印「右对齐毫秒 + 已执行动作数 + 状态」，跑完打印浏览器当前 URL：

text

<毫秒> ms  <动作数> actions  <状态>
……
<最终 URL>

你应该看到：和第 2 步同一个任务、同一个结果——这就是「同一套策略，换 URL 和目标就是新任务」的最小证明。换任何网站都行：把 --url 换成你常用的搜索页、文档站，--goal 写一句具体目标（怎么写好目标，见踩坑提醒第 2 条）。

💡 目标传多次会怎样？

--goal 传多次时，Agent 会把几条目标按序用换行拼成一段任务文本（agent.py 第 14 行）——它们作为一个整体任务一起评估，不是跑完一条再自动跑下一条。

用自己的 --url 和 --goal 跑一次 run.py，最后一行 URL 符合预期

第 4 步：读懂 run() 吐出的 state——自定义任务的仪表盘

为什么：上一课的账单能算出来，靠的就是这些字段；你自己的任务要判断「跑到哪了、花了多少、做了什么」，也全在这里。run() 是生成器，每执行一步 yield 一个 state 快照——done / blocked 那一步也会 yield 出来才结束。

state 主要字段（出自 agent.py 的 self.state 与 snapshot()）：

字段	内容	你能用它做什么
`status`	`ready` / `predicted` / `done` / `blocked`	循环结束判定；`blocked` 时去 history 里找原因
`elapsed_ms`	自首次预测起的累计毫秒	计时、性能统计
`history`	已执行动作列表	每条含 `action`（元素标签）、`kind`、`choice`、`probability`、`confidence`、`latency_ms`、`text`、`operation`、`target`、`page_changed`、`url`、`usage`、`executed_ms` 等
`decisions`	每次预测的记录（含 `fingerprint`、`elapsed_ms`、`request`、`raw_answers`）	复盘模型每轮看到了什么、选了什么
`text_calls`	文本 helper 调用记录（`model`、`latency_ms`、`usage`、`field`、`value`）	统计小 LLM 的调用次数、延迟和生成值
`page`	最近一次页面观察：`url`、`title`、`text`、`actions`、`fingerprint`	第 5 步的验证就读它
`goal`	拼接后的任务文本	核对 agent 收到的目标
`elements`	当前编号元素表（`snapshot()` 附加）	看 agent 眼里的页面

（另有 plan / plan_index / decision / started_at / record 等内部字段；browser 对象不会出现在快照里。）

两道预算和一个自动刹车要记牢（都出自 agent.py，MAX_STEPS = 60）：

动作预算：60 个已执行动作，超了状态置 blocked 并抛 ValueError: Stopped at the 60-action demo budget
模型调用预算：120 次预测（MAX_STEPS * 2），超了抛 ValueError: Reached the demo's model-call budget
连续无效动作：最近 3 个动作页面都没变化、且都不是 wait 类型，状态自动置 blocked

给循环加个实用打印（flights.py 同款模式）：

python

with Agent(URL, GOAL) as agent:
    for state in agent.run():
        last = state["history"][-1] if state["history"] else {}
        print(state["elapsed_ms"], state["status"], last.get("action", ""))

你应该看到：每行多出一个「刚执行的元素标签」（比如搜索框、某条建议、某个链接），比光看状态直观得多——这就是 inspector 里 Decision trail 的数据版。

能说出 history 里至少 3 个字段的含义
知道自己的任务最多能跑多少步（60 动作 / 120 次模型调用）

第 5 步：给自己的浏览器任务配独立验证——Jev Ultrafast 教程的硬规矩

为什么：README 的 Evidence and limits 写得直白：A DONE choice still requires independent outcome verification。官方示例有 verify() 帮忙，你自己的任务没有——这一步不能省。验证读结果页面，不读模型的回答。

范本是第 3 课拆过的 flights.py 的 verify()：它用 page["url"]、字段值、页面文本做了 7 项检查，任一不过就以 SystemExit 非零退出。给 Wikipedia 任务配一个同款：

python

def verify(page):
    """独立检查结果页面，不读模型的 DONE 回答。"""
    ok_url = page["url"].startswith("https://en.wikipedia.org/wiki/")
    ok_title = "incompleteness theorems" in page["title"].lower()
    return {"passed": ok_url and ok_title, "url": page["url"], "title": page["title"]}

接进脚本（跑完立刻验证，不过就非零退出——flights.py 同款收尾）：

python

with Agent(URL, GOAL) as agent:
    for state in agent.run():
        pass  # 想看进度，照第 4 步打印

    result = verify(state["page"])
    print(result)

if not result["passed"]:
    raise SystemExit("Final page did not satisfy the checks")

断言怎么写取决于你的任务，三条路子都行：

验证对象	用 state 里的	例子
到了正确的页面	`page["url"]`	URL 前缀 / 路径断言（flights.py 的 `search_page` 查 hostname 和路径）
页面内容对	`page["title"]`、`page["text"]`	标题或正文包含期望内容
控件值对	`page["actions"]`	按元素标签取值断言（flights.py 的 `origin` 查 `Where from?` 的值）

你应该看到：跑完终端多打印一个字典，passed 为 true 才算任务成功。故意把断言写错试一次——脚本应该以非零码退出，验证真的在把关。

自己的任务配上了 verify，且它读的是 state["page"] 而不是模型的回答

第 6 步：任务要打字？把文本 helper 配成 DeepSeek 或 GLM

为什么：只要任务里有输入框（第 2 步的搜索就是），操作 TYPE_TEXT 的字符串就由一个 OpenAI 兼容的小 LLM 生成——示例配置走 OpenRouter 的 Mercury；README 明说 Gemini、GLM、DeepSeek 都能用这个 helper。.env 的完整写法第 2 课的方式 A/B/C 讲全了，这里只补任务视角的三个事实。

事实一：Key 缺了不是启动时报错，是打到字才报错。 TEXT_MODEL_API_KEY 只在操作为 TYPE_TEXT 时才检查，错误原文：

text

ValueError: TYPE_TEXT needs TEXT_MODEL_API_KEY; no text is hardcoded or guessed by the executor.

事实二：不配置时代码默认就是 DeepSeek。 TEXT_MODEL_BASE_URL / TEXT_MODEL 不设的话，默认值是 https://api.deepseek.com/v1 + deepseek-chat（model.py 第 164–165 行）——所以「换成 DeepSeek」最省事的写法是 .env 里只填一行：

bash

TEXT_MODEL_API_KEY=<你的 DeepSeek Key>

（从 .env.example 复制的话，TEXT_MODEL_BASE_URL 和 TEXT_MODEL 两行要删掉——留空字符串同样算已设置，不会回落到默认值。换 GLM 等 OpenAI 兼容端点则要配相应的模型名、端点和 reasoning 设置，README 原话：configure the appropriate model, endpoint, and reasoning setting。）

事实三：helper 的输出被严格校验，不合格就不键入。 它必须返回只有一个键的 JSON 对象 {"text": "…"}：非空字符串、不超过 2000 字符；缺值时按指令返回 {"text": null}——null 同样不会键入，并抛出：

text

ValueError: Text helper returned no valid field value; nothing typed.

你应该看到：配好 Key 后重跑第 2 步，搜索框里出现模型生成的检索词并选中建议——state["text_calls"] 里能看到这次调用的模型名、延迟和生成值。

.env 里 TEXT_MODEL_API_KEY 有值（DeepSeek / OpenRouter / GLM 任选其一）

检查点 ✅

my_task.py 在仓库根目录用 uv run --env-file .env python my_task.py 跑通，终端逐行打印毫秒与状态
能说出 Agent(url, goals, *, record_dir=None, screenshots=False) 四个参数的用途
examples/run.py 用自己的 --url 和 --goal 跑完，最终 URL 符合预期
能说出 state 里 history / decisions / text_calls / status / elapsed_ms 各是什么
自己的任务配了独立验证，passed 为 true 才算成功；知道 60 动作 / 120 次模型调用的预算

踩坑提醒

❌ 不带 --env-file .env 就跑脚本

现象：uv run python my_task.py 一启动就抛 KeyError: 'TYPESAFE_API_KEY'。

原因：你自己写的脚本（和 run.py、flights.py 一样）不会自己读 .env——只有 inspector（demo.py）启动时才读。环境变量全靠 uv run --env-file .env 注入，而 model.py 用 os.environ["TYPESAFE_API_KEY"] 直接取值，缺了就是 KeyError。

正确做法：命令逐字带上 --env-file .env，并且在仓库根目录执行（第 3 课的踩坑提醒有完整分析）。

❌ 目标写得太宽泛，agent 提前宣布 DONE

现象：状态到 done 了，页面却不是你想要的——比如只打开了首页某个「看起来相关」的链接。

原因：模型指令要求 DONE 需要「所有要求都被满足的可见证据」（DONE requires visible evidence that ALL requirements are satisfied），但判断依据只有你那句目标。目标里没写清完成标准，agent 就按自己的理解收工。

正确做法：把完成标准写进目标——flights 的目标就是范本：Stop when matching flight options are visible. Do not select or book a flight.（看到匹配结果就停；不要选择或预订航班）。一句好目标 = 任务 + 停止条件 + 边界。再配第 5 步的独立验证兜底。

❌ 任务太大，跑着跑着抛预算错误

现象：终端抛 ValueError: Stopped at the 60-action demo budget（或 Reached the demo's model-call budget），状态 blocked。

原因：Agent 有两道硬预算：60 个已执行动作、120 次模型调用（MAX_STEPS * 2）；另外最近 3 个动作页面都没变化也会自动 blocked。任务步骤太多、或页面迟迟不给反馈，就会撞线。

正确做法：把大任务拆小——一次 Agent 跑一个「5 步内能完成」的目标。确实要多步时，用多个 Agent 串起来（每个 with 块一个，下一个的 url 从上一个的 state["page"]["url"] 接力），或者直接把起始 URL 指到中间页面。

❌ 拿跑完的 Agent 接着用

现象：循环结束后想再 agent.run() 一次，或让同一个 agent 换个目标，抛 ValueError: This run has stopped. Start a fresh demo.。

原因：status 到 done 或 blocked 后，Agent 的预测入口就关了（agent.py 第 73–74 行）——一次构造就是一次任务。

正确做法：新任务新开一个 with Agent(...)；要连续任务就写成循环，每轮一个 Agent。标签页随 with 块自动关闭，不会越积越多。

进阶技巧（可选）

录一遍回放。 Agent(URL, GOAL, record_dir="artifacts/mytask") 会把每一步存成 jpg（首屏 000000.jpg，之后按累计毫秒六位数命名）——跑完用图片浏览器快速翻页，比读 trace 直观。设了 record_dir 就自动开截图，不用再传 screenshots=True。

存 trace 做分析。 照 flights.py 的收尾模式把快照落盘：

python

import json
from pathlib import Path

# with 块内、run() 结束后：
state = agent.snapshot()
folder = Path("artifacts/mytask")
folder.mkdir(parents=True, exist_ok=True)
(folder / "state.json").write_text(json.dumps(state, indent=2))

state.json 里有完整的 history / decisions / text_calls——上一课的账单就是从这类数据里算出来的。artifacts/ 在仓库 .gitignore 里，不会被误提交。

只截图不落盘。 想在 state 里拿到 base64 截图（page["screenshot"]）自己处理，传 screenshots=True 就够，不设 record_dir。

不想本地维护浏览器？ README 顶部有个重要提示：Browser Use Cloud 托管的 BU Ultrafast 已上线（云服务里设 model: "bu-ultrafast"），开源版是本地跑的参考实现——两者不是一回事，别把本页的 jev_ultrafast.Agent 用法直接套到云服务上。详见原理课。

本课小结

✅ jev_ultrafast 是个库：入口只有 Agent（和 Browser），Agent(url, goals, *, record_dir=None, screenshots=False) 一次构造就是一次任务，用 with 收尾。

✅ 同一套策略换 URL 和目标就是新任务：你不写选择器，只写目标——一句好目标 = 任务 + 停止条件 + 边界。

✅ run() 逐步 yield state：history（动作）、decisions（预测）、text_calls（文本生成）、status、elapsed_ms——上一课的账单就出自这些字段。

✅ 预算与保险：60 动作 / 120 次模型调用、连续 3 次无变化自动 blocked；stale 自动重观察、决策只消费一次，都不用你写。

✅ Jev Ultrafast 教程的硬规矩：DONE 不算数——照 flights.py 的 verify() 模式给自己的任务配独立验证，读结果页面，不读模型回答。

关键参数与字段回顾：

参数 / 字段	推荐值	说明
`Agent(url, goals)`	必填	url 起始页；goals 一句目标或列表（列表按序换行拼接）
`record_dir`	需要回放时设	每步存 jpg，自动开截图
`screenshots`	默认 `False`	默认循环不截图
运行命令	`uv run --env-file .env python my_task.py`	仓库根目录执行，`--env-file` 不能省
`--url` / `--goal`	run.py 必填	`--goal` 可重复传，形成有序目标列表
`TEXT_MODEL_API_KEY`	有打字就要配	缺了到 TYPE_TEXT 那步才报错；不设端点/模型名时代码默认 DeepSeek
验证	每个任务都要有	读 `state["page"]`，`passed` 为 true 才算成功

下一课预告

自己的任务跑起来之后，难免撞上连不上、点不动、跑偏了。下一课 Ultrafast 排错：连不上、点不动、跑偏了怎么办把这些一网打尽。你会学到：

Chrome 连不上时 uv run browser-harness --doctor 怎么用
常见报错字符串对照：TEXT_MODEL 报错、Model provider returned HTTP … 各意味着什么
哪些页面能力这个 MVP 不支持（shadow DOM、canvas、上传、弹出新 tab……），跑偏了先对照支持清单
blocked 的几种场景怎么排查：连续无效动作、预算超限

附录：源码参考

点击展开查看源码位置

更新时间：2026-11-04（仓库 github.com/browser-use/jev-ultrafast，本地信息源 sources/jev/repo-ultrafast/）

功能	文件路径	关键位置
库入口（只导出 Agent、Browser）	jev_ultrafast/init.py	L1–6 `__all__ = ["Agent", "Browser"]`
Agent 签名与构造	jev_ultrafast/agent.py	L12–26 `Agent(url, goals, *, record_dir=None, screenshots=False)`；goals 字符串/列表换行拼接；空目标 `Supply a task`；构造即打开浏览器观察，失败先关再抛
state 全部字段	jev_ultrafast/agent.py	L27–41 goal / page / decision / history / status / plan / plan_index / decisions / text_calls / elapsed_ms / started_at / record
snapshot()（快照去掉 browser、附加 elements）	jev_ultrafast/agent.py	L46–50
run()（yield 到 done/blocked）	jev_ultrafast/agent.py	L163–165
预算与 blocked	jev_ultrafast/agent.py	L75–76 模型调用预算 `MAX_STEPS * 2`；L102–104 60 动作预算置 blocked；L153–157 连续 3 次无变化且非 wait 置 blocked
决策只消费一次 / stale 自动重观察	jev_ultrafast/agent.py	L55–64 tick 捕获 StalePage 重新观察；L90–91 决策先清空再执行
history / text_calls 条目字段	jev_ultrafast/agent.py	L115 text_calls（model / latency_ms / usage / field / value）；L121–141 history（step / action / kind / choice / probability / confidence / latency_ms / text / text_helper / text_latency_ms / operation / target / page_changed / url / usage / executed_ms / elapsed_ms）
不能复用结束的 Agent	jev_ultrafast/agent.py	L73–74 `This run has stopped. Start a fresh demo.`
上下文管理器	jev_ultrafast/agent.py	L167–174 `close()` / `__enter__` / `__exit__`
通用 runner	examples/run.py	L7–10 `--url` 必填、`--goal` 可重复（`action="append"`，help：Repeat for an ordered list of goals）；L12–15 打印格式与最终 URL
库用法骨架与运行命令	README.md	「Use the library」：`uv run --env-file .env python your_script.py`；Wikipedia 命令行例子；`The same policy can run a different task`
文本 helper 配置与校验	jev_ultrafast/model.py	L160–168 TEXT_MODEL_API_KEY 必需（错误原文）、DeepSeek 默认端点与模型、reasoning 三分支；L187–193 输出必须单键 `{"text": …}`、非空、≤2000 字符，否则不键入
文本 helper 指令	jev_ultrafast/questions.py	TEXT_VALUE：缺值返回 `{"text": null}`、不编造个人信息；`MAX_STEPS = 60`
verify 模式范本	examples/flights.py	L18–38 `verify()` 7 项独立检查；L63–64 验证不过 `SystemExit`
Wikipedia 冒烟数据	docs/performance.md	Other checks：同一策略 2.798 s 打开该条目；本地酒店任务 1.896 s
云服务与开源版的关系	README.md	顶部 IMPORTANT：BU Ultrafast（`model: "bu-ultrafast"`）是 Browser Use Cloud 托管版；`.env` 六变量见 `.env.example`
页面观察字段	jev_ultrafast/browser.py	L115–117 fingerprint 由 url/text/actions/scroll 计算；L188–193 观察返回 info + fingerprint（+screenshot 可选）；model.py L110 取 page 的 url/title/text
inspector 才自己读 .env	jev_ultrafast/demo.py	L23–29 `load_environment()`（cwd 的 .env），L132 启动时调用
trace 不进 git	.gitignore	`.env`、`.venv/`、`artifacts/` 均被忽略

写自己的浏览器任务：Agent 库实战 ​

学完你能做什么 ​

你现在的困境 ​

什么时候用这一招 ​

🎒 开始前的准备 ​

核心思路 ​

跟我做 ​

第 1 步：认识 jev_ultrafast Agent——自定义任务的唯一入口 ​

第 2 步：写出你的第一个自定义浏览器任务脚本 ​

第 3 步：用 examples/run.py 免写代码跑任意任务 ​

第 4 步：读懂 run() 吐出的 state——自定义任务的仪表盘 ​

第 5 步：给自己的浏览器任务配独立验证——Jev Ultrafast 教程的硬规矩 ​

第 6 步：任务要打字？把文本 helper 配成 DeepSeek 或 GLM ​

检查点 ✅ ​

踩坑提醒 ​

❌ 不带 --env-file .env 就跑脚本 ​

❌ 目标写得太宽泛，agent 提前宣布 DONE ​

❌ 任务太大，跑着跑着抛预算错误 ​

❌ 拿跑完的 Agent 接着用 ​

进阶技巧（可选） ​

本课小结 ​

下一课预告 ​

附录：源码参考 ​

写自己的浏览器任务：Agent 库实战

学完你能做什么

你现在的困境

什么时候用这一招

🎒 开始前的准备

核心思路

跟我做

第 1 步：认识 jev_ultrafast Agent——自定义任务的唯一入口

第 2 步：写出你的第一个自定义浏览器任务脚本

第 3 步：用 examples/run.py 免写代码跑任意任务

第 4 步：读懂 run() 吐出的 state——自定义任务的仪表盘

第 5 步：给自己的浏览器任务配独立验证——Jev Ultrafast 教程的硬规矩

第 6 步：任务要打字？把文本 helper 配成 DeepSeek 或 GLM

检查点 ✅

踩坑提醒

❌ 不带 --env-file .env 就跑脚本

❌ 目标写得太宽泛，agent 提前宣布 DONE

❌ 任务太大，跑着跑着抛预算错误

❌ 拿跑完的 Agent 接着用

进阶技巧（可选）

本课小结

下一课预告

附录：源码参考