Browser Use 团队基于最近爆火的 Jev 模型做了个 jev-ultrafast，主打就是快，已经狂揽了 19000+ Star。 官方给的演示案例里，在 Google Flights 上搜苏黎世飞伦敦的航班只用了 7.1 秒。 它把页面上能点的按钮、输入框编成一张带编号的表，Jev 一次请求就同时决定做什么动作、点哪一个元素。 只有需要往框里打字时，才叫一个小模型生成文字。默认流程里也不截图，全靠读页面结构。 GitHub： 作者拿新旧两版各跑了三轮同一个任务，耗时中位数从 9.45 秒降到 7.09 秒，跟浏览器的通信次数从 1092 次降到 101 次。 模型的输出不会直接变成点击坐标或者脚本，只能从页面上真实存在的元素里挑，这个设计挺让人放心。 核心代码就 6 个文件，想弄明白浏览器 Agent 到底怎么跑起来的，感兴趣的开发者可以看看。

browser-use 做了一个 video-use Skill，很适合把视频剪辑拆成Agent能执行的流水线。 它不是简单“让 AI 看视频”，而是： 转写音频； 提取时间戳； 识别说话人； 生成关键帧； 让模型在关键节点判断； 输出剪辑决策； 最后用 ffmpeg 渲染。 这说明了一个机会： 短视频剪辑服务以后不一定靠剪辑师一帧一帧拖时间线。 可以卖一套“AI 剪辑工作流”： 访谈切条； 课程切片； 直播精华； 播客短视频； 案例视频混剪。