核心用法
Predicate Snapshot 是一款面向浏览器自动化场景的DOM优化技能，通过机器学习模型对网页元素进行重要性排序，仅保留高价值可交互元素供LLM处理。提供三个核心命令：
- `/predicate-snapshot`：生成ML排序的精简DOM快照（默认50个元素），输出包含元素ID、角色、文本、重要性分数等结构化数据
- `/predicate-act`：通过Predicate ID执行点击、输入、滚动等操作
- `/predicate-snapshot-local`：本地启发式裁剪版本，无需API key但精度稍低
显著优点
1. 极致的Token压缩：相比默认Accessibility Tree的~18,000 token，Predicate Snapshot仅需~800 token，95%压缩率
2. 信号质量提升：从800个噪声元素筛选至50个高价值元素，LLM定位关键操作元素的成功率大幅提高
3. 成本优化：减少token消耗直接降低LLM API调用成本，同时减少因元素识别错误导致的重试
4. 灵活的分层方案：免费本地模式（~80%压缩）与付费ML模式（~95%压缩）兼顾不同预算需求
潜在缺点与局限性
- API依赖：最优效果需依赖外部API服务，存在网络延迟和服务可用性风险
- 成本模型：按次计费（每快照1 credit），高频使用场景需关注套餐上限
- 学习曲线：需理解
element_id映射机制，与传统CSS选择器或XPath思路不同 - 黑盒排序：ML模型的元素重要性评分逻辑不透明，特定场景可能误判
适合人群
- 高频使用浏览器自动化的AI Agent开发者
- 受限于上下文窗口或API成本敏感的LLM应用场景
- 需要处理复杂电商、SaaS界面的自动化工作流
常规风险
- API密钥泄露：
PREDICATE_API_KEY需妥善保管，建议通过环境变量或配置文件管理 - 服务中断：ML服务故障时自动降级至本地模式，但输出质量下降
- 元素ID漂移：页面动态更新后Predicate ID可能变化，需配合快照刷新使用
- 隐私合规：DOM内容发送至第三方API处理，敏感业务需评估数据出境风险