智能体正在从“会说话”走向“会做事”。最新进展之一，是将复杂任务拆分为“慢思考的规划”和“快判断的决策”，把高频、原子化的选择动作交给轻量模型来秒级完成。围绕这一方向，APUS AI实验室开源复现了国内首批 Jev 跨平台实现，并封装为可直接接入的浏览器自动化技能 fast-browser-use，支持纯本地离线运行。这不仅是一项工程突破，更是对 Agent 架构成熟度的一次加速。

Jev的“快判断”：从文本生成到类型化决策

Jev的理念并非让模型更“会说”，而是更“会选”。它关注的是智能体执行过程中的高频需求：在候选动作中做分类、选择、评分与真伪判断，直接返回结构化答案和置信度，而不是长文本。这种路径的意义在于：

• 避免冗长的自回归解码，提高吞吐与响应速度
• 将“生成”和“决策”拆分，减少格式幻觉与错误选择器
• 让昂贵的大模型专注于任务拆解、策略规划等慢思考，把高频微决策交给更轻量的决策模型

这背后对应的是 Agent 的“快慢分工”。规划层面由通用大模型把控策略与步骤；执行层面通过决策模型对界面元素、候选选项进行迅速打分并做出选择。工程上，负责把两者有机组合与调度的中间层，被称为 Harness。用模型做 Harness，意味着把传统的规则/程序编排，替换成可学习、可优化的模型化调度。

APUS复现的关键：跳过解码、直接打分

在工程实现上，APUS给出的复现路线抓住了核心机制：不再逐字生成，而是在隐状态上直接计算单 token 的 logits，进行“选择动作”的快速打分。这带来两项关键优化：

• 跳过自回归解码：以一次前向计算完成决策，缩短链路，降低延迟
• KV-Cache广播与并发评估：复用上下文缓存，对多个候选进行批量并发打分，提升吞吐

在浏览器自动化场景中，fast-browser-use会把当前页面真实可见、可交互的元素整理为编号候选动作集合。本地运行的中等规模模型（如Qwen3.5-9B）在一次前向中直接给出“点哪里、选哪个”的决定。从机制上规避了“生成错误选择器”“输出格式偏差”等常见问题。

性能与可用性方面的细节也值得关注：

• 跨平台支持：macOS、Linux、Windows，既可运行于GPU服务器，也能在无GPU的消费级笔记本上工作
• 纯离线执行：数据全程留在本机，无云端调用，无API成本
• 实测体验：在Apple M2 Pro上，真实维基百科检索任务中位耗时约18秒；表单填报、站内导航等轻任务约3秒；单任务模型打分次数仅4次

这组数字指向一个趋势：在端侧算力日益充裕的今天，开源权重+工程优化完全可以提供“秒级决策”的真实可用体验。

从工程化到生态化：可复用的Agent技能

将决策范式落地为标准 Agent Skill，是走向生态化的关键一步。fast-browser-use以技能形式封装，意味着：

• 一行命令接入主流编程智能体，快速复用“浏览器操作”能力
• 把复杂的DOM解析、候选整理、决策打分统一在可维护的抽象层
• 为后续扩展到桌面GUI、操作系统交互等场景打下接口与模式基础

这类标准技能的价值在于通用性与可审计性。当代码、数据、评估逻辑都可复核，可帮助行业建立可比的基线，避免单一闭源自测数据的黑箱效应。对政企与金融等场景而言，数据不出本机的合规性，也显著提升了落地的可行性。

影响与展望

这次复现不只是“跑通一个项目”，更具有多层次的行业影响：

• 架构成熟度提升：快判断/慢思考的“双层心智”正在形成标准范式。模型不再“一切都用一个大脑做”，而是分工协作，令系统整体效率与稳定性提升。
• 成本与隐私优化：边缘侧推理消除了调用费用与带宽依赖，数据本地化满足高敏行业需求，为“低成本可扩展”的Agent部署提供路径。
• 工程实践可复制：用模型做Harness，把程序编排变成可学习的组件，未来可与检索、工具调用、工作流编排等进一步耦合，形成更强的自适应能力。
• 生态加速：标准技能的出现，相当于给Agent生态提供“乐高积木”。浏览器只是起点，GUI自动化、系统运维、企业软件操作都能受益于同一决策范式。

需要正视的挑战也同样明显：

• 候选集合的质量决定上限：页面元素的识别、过滤与编号若不稳健，决策模型再快也可能选不到“正确答案”。这要求UI解析、Accessibility树、视觉感知多模态的融合完善。
• 鲁棒性与泛化：真实网页的动态性强，样式变化、异步加载、国际化等因素都会干扰候选。需要更强的环境建模与不确定性处理机制，例如在低置信度时自动回退到慢思考规划或触发再感知。
• 评估体系：决策模型强调类型化输出与置信度，需要匹配的基准与指标，避免只看速度不看成功率。针对不同任务类型（检索、填表、导航），应建立分场景SLA。

可预见的迭代方向包括：

• 多模态融合：把视觉信号纳入候选构建与打分，提升对复杂UI的理解力
• 自适应Harness：让调度层根据历史成功率与当前不确定性，动态在快判断与慢思考之间切换
• 端侧优化：进一步利用CPU/GPU混合加速、张量并行与缓存重用，把秒级决策压缩到更稳定的低延迟区间
• 行业模板化：针对金融风控、情报分析、医疗等场景，沉淀任务模板与技能包，形成标准化的端侧Agent产品矩阵

智能体走向生产环境的关键，是在真实任务中持续证明“快且准”。这类以决策为中心的工程化成果，为行业提供了可审计、可复用、可优化的路径。随着更多技能的开源与生态联动，Agent将从“演示级”加速迈向“可用级”，在成本、隐私、性能三者的交汇点上，释放更大的应用潜力。

标签： Jev 决策模型 Agent APUS 浏览器自动化