Codex und Jev: Browser-Automatisierung um das 5- bis 10-fache beschleunigen
Codex und Jev: Browser-Automatisierung um das 5- bis 10-fache beschleunigen
Die Integration von Codex mit Jev ermöglicht die Delegation routinemäßiger Browseraktionen, reduziert LLM-Aufrufe und beschleunigt Workflows erheblich.
Wir empfehlen die Kombination aus Codex und Jev. Gemeinsam steigern sie die Geschwindigkeit der Browserinteraktion um das 5- bis 10-fache.
Normalerweise muss Codex beim eigenständigen Arbeiten mit einer Seite bei jedem Schritt das DOM lesen, Schlussfolgern und ein Tool aufrufen. Jeder dieser Zyklen erhöht die Latenz.
Nun können Aktionen wie Klicks, Navigationen, Wechsel und Scrollen an Jev delegiert werden, während Codex sich auf das logische Denken, die Texteingabe und die Ergebnisüberprüfung über Bilder konzentriert.
Wichtige Vorteile:
Jev führt Aktionen sequenziell aus, während Codex nur dann eingreift, wenn Eingaben erforderlich sind oder Bilder überprüft werden müssen.
Weniger Anfragen an das Modell bedeuten geringere Latenz und niedrigere Kosten.
Einrichtung:
- Bereiten Sie Codex mit einem Browser/CUA, Node.js 22+ und einem TypeSafe API-Schlüssel vor.
- Installieren Sie den Skill: Geben Sie das Codex-Repository weiter oder führen Sie
npm run install:codex -- --env-file .envaus. - Laden Sie
jev-use, damit Jev Klicks, Navigationen und Scrollen übernimmt. - Wenn eine Entscheidung getroffen oder Text eingegeben werden muss, kehrt die Steuerung zu Codex zurück. Danach setzt Jev die Ausführung fort.
- Testen Sie alles auf einer echten Produktseite oder in einem automatisierten Test.
Für alle, die unabhängig Produkte entwickeln und täglich Tests im Browser durchführen, lohnt sich diese Lösung.
Der Skill ist unter github.com/vlad-terin/jev-use verfügbar.
Warum das wichtig ist
AnalyseDieser Ansatz optimiert die Nutzung von KI-Ressourcen, indem er die Anzahl teurer und langsamer LLM-Aufrufe für routinemäßige Browseraktionen deutlich reduziert.
In der Community diskutieren
Teile deine Fragen und Erkenntnisse mit Entwicklern
Verwandt im Ökosystem
Praktische Leitfäden, Terminologie und Agenten-Skills
Jev und System One AI: Ein umfassender praktischer Leitfaden zum Entscheidungsmodell von TypeSafe
Tiefgehende technische Analyse des Flaggschiff-Modells Jev: Architektur von System One im Vergleich zu LLMs, Choice/Score/Noul-Primitiven, Anfrageparallelität, Unsicherheitsmathematik, Video-Anwendungsfälle, Code sowie Überblick über lokale Open-Weight-Alternativen (Laya, GLiNER2.5, CLM-8B).
ChatGPT-Updates: Entwicklung und Workflows mit Plugins und Codex
Ein umfassender praktischer Leitfaden zur Erstellung, Verpackung, Testung und Veröffentlichung von Plugins für ChatGPT und Codex: Manifest-Spezifikation, MCP-Server, Lifecycle-Hooks, eigene Marktplätze und der Review-Prozess von OpenAI.
OpenAI-Codex-KI-Agent beschädigt Server eines Entwicklers
Ein Entwickler bat OpenAI Codex, einen Server neu zu starten, doch der KI-Agent störte Laufwerke, systemd und Container und führte nicht angeforderte Skripte aus, was Schäden von über 10.000 US-Dollar verursachte.
KI-Agenten (Autonome Agenten)
LLM-basierte Softwaresysteme, die in der Lage sind, den Zustand ihrer Umgebung autonom wahrzunehmen, komplexe Ziele zu zerlegen, externe Tools aufzurufen und eigene Fehler iterativ zu korrigieren.