Lumen 是一个视觉优先的浏览器智能体（browser agent），由 Jina 开发，仓库地址为 https://github.com/omxyz/lumen。其核心设计为感知循环：截图 → 思考 → 执行动作 → 再截图，整个过程通过 CDP（Chrome DevTools Protocol）运行。它不进行 DOM 抓取，也不使用选择器，而是直接基于视口截图驱动模型决策。
主要能力
- 视觉闭环：截图 → 模型 → 动作 → 截图，完全避免 DOM 依赖。
- 多提供商支持：可接入 Anthropic、Google、OpenAI 以及任意 OpenAI 兼容端点。
- 历史压缩：在上下文利用率达到 80% 时，先进行一级截图压缩，再进行二级 LLM 摘要。
- 统一坐标：ActionDecoder 在解码时将所有提供商的坐标格式归一化为视口像素。
- 持久化记忆：writeState 持久化结构化 JSON，在历史压缩后仍可保留。
- 流式输出：agent.stream() 返回类型化 StreamEvent 对象，便于实时 UI 展示。
- 会话恢复：可序列化为 JSON，之后通过 Agent.resume() 恢复。
- 安全机制：SessionPolicy（域名允许/阻止列表）、PreActionHook（命令式拒绝）、Verifier（完成门控）。
- 重复检测：三层卡住检测，并伴随逐步升级的提示信息。
- 动作缓存：磁盘缓存用于重放已知有效的动作。
- 子任务委派：模型可通过 delegate 将子任务移交给新的循环执行。
运行与使用方式 需要 Node.js ≥ 20.19 以及 Chrome/Chromium 用于本地浏览器模式。模型可通过 "provider/model-id" 形式指定；任何无法识别的前缀会交由 CustomAdapter 处理（OpenAI 兼容聊天补全）。支持 Anthropic 的扩展思考（extended thinking）。可通过 startUrl 预导航，节省 1-2 个模型步骤；支持多运行会话（multi-run session）和会话恢复。浏览器选项、事件参考及日志表面（如 LUMEN_LOG_CDP、LUMEN_LOG_ACTIONS、LUMEN_LOG_BROWSER、LUMEN_LOG_HISTORY、LUMEN_LOG_ADAPTER、LUMEN_LOG_LOOP）可供调试。
核心循环细节
- 截图：通过 CDP 捕获浏览器视口。
- 历史：追加到 wire history；上下文超过阈值时压缩（一级：丢弃旧截图；二级：LLM 摘要）。
- 上下文：组装系统提示，包含持久状态、站点特定提示（SiteKB）、卡住提示与工作流提示。
- 模型：从模型流式获取动作（支持 Anthropic、Google、OpenAI 或任意 OpenAI 兼容端点）。
- 执行：ActionRouter 通过 CDP 将每个动作分发到 Chrome（点击、输入、滚动、跳转等）。
- 验证动作：ActionVerifier 运行启发式后置检查（点击是否命中？输入后是否有焦点？）。
- 检测循环：RepeatDetector 检查三层——精确动作重复、类别主导、URL 停滞；逐步升级提示引导模型脱离。
- 检查点：定期保存浏览器状态；深度停滞（等级 8+）时回溯。
- 终止门控：当模型调用 task_complete 时，Verifier（ModelVerifier 或自定义）检查截图确认。被拒绝则循环继续；通过则返回结果。
适用场景
- 需要浏览器自动化而无需维护选择器的网页任务。
- 需要跨模型提供商灵活切换的智能体实验。
- 需要确定性重放与自愈能力的重复性工作流。
- 在 WebVoyager 基准（初步）中进行了评估：从 WebVoyager 中抽取 25 个任务的子集，跨越 15 个站点分层，由 LLM-as-judge（Gemini 2.5 Flash）评分，每任务 3 次试验。Lumen 启用 SiteKB（领域特定导航提示）和 ModelVerifier（终止门控）运行。所有框架使用 Claude Sonnet 4.6 作为智能体模型。
限制与注意事项
- 需 Node.js ≥ 20.19 和 Chrome/Chromium；Linux CI 上需自行以 --no-sandbox 启动 Chrome 并使用 cdp 类型的浏览器连接。
- 仅支持 ESM（ESM-only），需在 tsconfig.json 中使用 "moduleResolution": "bundler" 或 "nodenext"。
- API 密钥未找到时会回退到环境变量：ANTHROPIC_API_KEY、GOOGLE_API_KEY / GEMINI_API_KEY、OPENAI_API_KEY。
- 循环达到 maxSteps 时可增加 maxSteps、添加聚焦的 systemPrompt，或使用 verbose: 2 调试。
- BROWSER_DISCONNECTED 是唯一会抛出的错误；其他动作错误会反馈给模型。
