Codex i Jev: Jak przyspieszyć automatyzację przeglądarki nawet 10-krotnie
Codex i Jev: Jak przyspieszyć automatyzację przeglądarki nawet 10-krotnie
Integracja Codex z Jev pozwala na delegowanie rutynowych akcji w przeglądarce, co znacząco redukuje liczbę wywołań LLM i optymalizuje czas wykonania workflow.
Rekomendujemy połączenie narzędzi Codex oraz Jev. Ich synergia umożliwia zwiększenie wydajności interakcji z przeglądarką od 5 do 10 razy.
W standardowym trybie pracy Codex z pojedynczą stroną musi odczytywać DOM, przeprowadzać rozumowanie (reasoning) oraz wywoływać narzędzia na każdym etapie. Każdy taki cykl generuje dodatkowe opóźnienia.
Dzięki nowej architekturze akcje takie jak kliknięcia, nawigacja, przełączanie zakładek czy przewijanie mogą być delegowane do silnika Jev. Codex zachowuje rolę orkiestratora, zajmując się logiką decyzyjną, wprowadzaniem tekstu oraz weryfikacją wyników na podstawie obrazu.
Kluczowe zalety:
Jev wykonuje akcje sekwencyjnie, a Codex jest angażowany tylko wtedy, gdy wymagane jest wprowadzenie danych lub analiza wizualna.
Mniejsza liczba żądań do modelu przekłada się bezpośrednio na niższe opóźnienia i koszty operacyjne.
Instrukcja konfiguracji:
- Przygotuj środowisko Codex z obsługą przeglądarki/CUA, Node.js w wersji 22+ oraz kluczem API TypeSafe.
- Zainstaluj Skill: sklonuj repozytorium Codex lub uruchom komendę
npm run install:codex -- --env-file .env. - Załaduj moduł
jev-use, aby Jev przejął kontrolę nad kliknięciami, nawigacją i przewijaniem. - W momencie konieczności podjęcia decyzji lub wpisania tekstu, sterowanie wraca do Codexa. Po zakończeniu tej fazy Jev kontynuuje wykonywanie kolejnych kroków.
- Przetestuj rozwiązanie na realnej stronie produktowej lub w ramach automatycznych testów regresyjnych.
Rozwiązanie to jest szczególnie wartościowe dla zespołów samodzielnie rozwijających produkty i codziennie przeprowadzających testy przez przeglądarkę.
Skill jest dostępny publicznie na GitHubie: github.com/vlad-terin/jev-use
Dlaczego to ważne
AnalizaTo podejście optymalizuje zużycie zasobów AI poprzez eliminację drogich i wolnych wywołań LLM dla powtarzalnych, mechanicznych akcji w przeglądarce.
Dyskutuj w społeczności
Dziel się swoimi pytaniami i spostrzeżeniami z programistami
Powiązane w ekosystemie
Praktyczne poradniki, kluczowa terminologia i skille agentów
Jev i System One AI: Kompletny praktyczny przewodnik po modelu decyzyjnym od TypeSafe
Głęboka analiza inżynieryjna flagowego modelu Jev: architektura System One w kontraście do LLM, prymitywy Choice/Score/Noul, równoległość zapytań, matematyka pewności, przypadki użycia wideo, kod oraz przegląd lokalnych alternatyw open-weight (Laya, GLiNER2.5, CLM-8B).
Aktualizacja ChatGPT: tworzenie i przepływy pracy z wtyczkami oraz Codex
Kompleksowy praktyczny przewodnik po tworzeniu, pakowaniu, testowaniu i publikacji wtyczek dla ChatGPT oraz Codex: specyfikacja manifestu, serwery MCP, hooki cyklu życia, własne marketplace'y oraz proces przeglądu OpenAI.
Agent AI OpenAI Codex uszkodził serwer programisty
Programista poprosił OpenAI Codex o ponowne uruchomienie serwera, ale agent AI zakłócił działanie dysków, systemd i kontenerów, uruchomił skrypty, o które nikt go nie prosił, i spowodował szkody przekraczające 10 tysięcy dolarów.
Agenci AI (agenci autonomiczni)
Systemy programowe oparte na modelach językowych (LLM), zdolne do samodzielnego postrzegania stanu środowiska, dekompozycji złożonych celów, wywoływania zewnętrznych narzędzi oraz iteracyjnego korygowania własnych błędów.