（954期）Predicate Snapshot – ML 智能剪枝，95% 更小网页上下文

ML 智能剪枝，95% 更小网页上下文 基于 ML 的 DOM 剪枝引擎，将浏览器上下文 token 减少 95%，专为 LLM 智能体优化交互元素提取，显著降低推理成本并提升动作精度。 使用说明 核心用法 Predicate Snapshot 是一款面向 LLM 智能体（Agent）的浏览器上下文优化工具，通过机器学习驱动的 DOM 剪枝技术，将网页元素从默认的无障碍树（~800 元素，~18,000 tokens）压缩至核心可交互元素（~50 元素，~800 tokens），实现 95% 的 token 削减。 工作流程 /predicate-snapshot：捕获 ML 排序后的精简 DOM 快照，返回包含重要性分数（imp）、主元素标记（is_primary）、文档坐标（docYq）的结构化数据 /predicate-act <action> <id>：通过 Predicate ID 执行点击、输入、滚动等操作 /predicate-snapshot-local：离线模式，基于启发式规则剪枝（~80% token 削减，免费） 显著优点 极致效率：95% token 压缩直接降低 LLM 推理延迟与 API 成本 信号质量高：ML 排序优先暴露可交互元素，减少 LLM 在噪声中迷失 动作可追溯：结构化 ID 系统使操作可精确定位，降低幻觉导致的错误点击 渐进式采用：无需 API Key 即可使用本地模式，付费层清晰（500 免费 credits/月起） 潜在缺点与局限性 外部服务依赖：ML 排序需调用 Predicate API，存在网络延迟与服务可用性风险 学习成本：用户需理解 imp 分数、docYq 坐标等新字段含义 定价陷阱：高频自动化场景下（如每小时数百次快照），免费额度迅速耗尽，Pro 档 $49/月仅 40K 次操作 生态锁定：predicate-act 依赖 Predicate 自有的元素 ID 体系，迁移至其他工具需重写工作流 适合人群 构建浏览器自动化智能体的开发者（尤其使用 OpenClaude、Browser-use 等框架） 受困于 LLM 上下文长度限制、需处理复杂网页的 AI 应用团队 追求成本优化的 LLM 推理架构师 常规风险 API 密钥泄露：PREDICATEAPIKEY 若硬编码至版本控制，可能导致账户盗刷 过度剪枝误伤：ML 模型可能误判动态加载或视觉重要但语义模糊的交互元素 供应商锁定：长期使用后，工作流深度绑定 Predicate 的 ID 体系与评分逻辑 合规盲区：快照数据可能包含用户敏感信息，需确认 Predicate 的数据留存与处理政策 原始说明 ML-powered DOM pruning for 95% smaller browser prompts