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
1. `/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
2. `/predicate-act <action> <id>`：通过 Predicate ID 执行点击、输入、滚动等操作
3. `/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：
PREDICATE_API_KEY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