BrowserBase Stagehand v1.14.0 版本技术解析:性能优化与新模型支持
BrowserBase Stagehand 是一个专注于网页自动化与智能交互的JavaScript库,它通过结合DOM操作与大型语言模型(LLM)的能力,为开发者提供了强大的网页内容提取与自动化操作工具。最新发布的v1.14.0版本带来了一系列重要改进,特别是在性能优化、模型支持扩展和功能增强方面。
核心性能优化
本次版本最显著的改进之一是act()函数的底层重构。现在,act()可以选择性地使用observe()作为其底层实现,这一改变带来了显著的性能提升。开发者可以通过设置slowDomBasedAct: false来启用这一优化路径。
对于DOM处理任务,新版本引入了超时控制机制。开发者现在可以通过timeoutMs参数为基于DOM的act()操作设置超时,或者在Stagehand配置中全局设置actTimeoutMs参数,这为长时间运行的操作提供了更好的控制能力。
精准内容提取增强
textExtract功能得到了重要升级,现在支持通过XPath选择器进行目标内容提取。这一改进允许开发者精确指定需要处理的DOM元素范围,不仅减少了处理的数据量,还降低了token消耗并提高了处理速度。例如,在提取天气预报数据时,可以精确定位到包含天气信息的表格区域,避免处理整个页面内容。
新增的无参数extract()调用方式提供了获取网页完整文本表示的确定性方法,为需要完整页面内容分析的使用场景提供了便利。
扩展的模型支持
v1.14.0版本显著扩展了支持的LLM模型范围:
-
新增了对
gpt-4.5-preview和claude-3-7-sonnet-latest模型的支持,为开发者提供了更多先进的模型选择。 -
引入了Cerebras LLM原生支持,包括
cerebras-llama-3.3-70b和cerebras-llama-3.1-8b模型,只需设置CEREBRAS_API_KEY环境变量即可使用。 -
新增了Groq LLM支持,包括
groq-llama-3.3-70b-versatile和groq-llama-3.3-70b-specdec模型,同样需要配置GROQ_API_KEY环境变量。
这些新模型的加入大大扩展了Stagehand在不同场景下的适用性和灵活性。
稳定性与兼容性改进
-
修复了
actHandler的5秒超时问题,提高了长时间操作的可靠性。 -
增强了多页面支持,改进了上下文管理机制,使Stagehand能够更好地处理涉及多个页面的复杂场景。
-
改进了
act到observe管道的向后兼容性,确保现有代码能够平滑过渡。 -
修复了目标内容提取中的滚动和分块问题,提高了内容提取的准确性。
-
增强了会话管理,妥善处理了尝试关闭已关闭会话的情况。
-
改进了错误处理,当从"not-supported"的ObserveResult执行
act时,现在会抛出信息更明确的错误。
技术实现细节
在底层实现上,v1.14.0版本对DOM处理流程进行了多项优化:
-
动态调整块大小机制确保了大页面内容的高效处理。
-
改进了
processAllOfDom对动态内容的处理能力,确保能够正确滚动到页面底部。 -
增强了对XPath选择器的兼容性,现在支持带或不带"xpath="前缀的XPath表达式。
-
完善了资源清理机制,在进程退出时正确调用
end()方法。
这些改进共同提升了Stagehand在处理复杂网页时的稳定性和效率,使其成为网页自动化与内容提取领域更加强大的工具。
PaddleOCR-VLPaddleOCR-VL 是一款顶尖且资源高效的文档解析专用模型。其核心组件为 PaddleOCR-VL-0.9B,这是一款精简却功能强大的视觉语言模型(VLM)。该模型融合了 NaViT 风格的动态分辨率视觉编码器与 ERNIE-4.5-0.3B 语言模型,可实现精准的元素识别。Python00- DDeepSeek-OCR暂无简介Python00
openPangu-Ultra-MoE-718B-V1.1昇腾原生的开源盘古 Ultra-MoE-718B-V1.1 语言模型Python00
HunyuanWorld-Mirror混元3D世界重建模型,支持多模态先验注入和多任务统一输出Python00
AI内容魔方AI内容专区,汇集全球AI开源项目,集结模块、可组合的内容,致力于分享、交流。03
Spark-Scilit-X1-13BFLYTEK Spark Scilit-X1-13B is based on the latest generation of iFLYTEK Foundation Model, and has been trained on multiple core tasks derived from scientific literature. As a large language model tailored for academic research scenarios, it has shown excellent performance in Paper Assisted Reading, Academic Translation, English Polishing, and Review Generation, aiming to provide efficient and accurate intelligent assistance for researchers, faculty members, and students.Python00
GOT-OCR-2.0-hf阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00- HHowToCook程序员在家做饭方法指南。Programmer's guide about how to cook at home (Chinese only).Dockerfile013
Spark-Chemistry-X1-13B科大讯飞星火化学-X1-13B (iFLYTEK Spark Chemistry-X1-13B) 是一款专为化学领域优化的大语言模型。它由星火-X1 (Spark-X1) 基础模型微调而来,在化学知识问答、分子性质预测、化学名称转换和科学推理方面展现出强大的能力,同时保持了强大的通用语言理解与生成能力。Python00- PpathwayPathway is an open framework for high-throughput and low-latency real-time data processing.Python00