ego (lite) 使用指南 AI Agent 的专属浏览器
ego (lite) 是一个基于 Chromium 的桌面浏览器,让 AI agent 在隔离的 Space 里复用你已登录的浏览器状态(cookie、session、扩展),执行 Web 自动化,同时不打扰你的正常浏览。
免费、开源(MIT)、数据全部本地存储。
一、它解决什么问题
| 传统方案 | 痛点 | ego (lite) 的做法 |
|---|---|---|
| Playwright / Puppeteer | 起一个空白浏览器,需要重新登录所有网站 | 共享你已有的登录态,agent 直接在认证环境里工作 |
| Browser Use / agent-browser | 每步一个 CLI 命令,逐条往返,慢且费 token | agent 写 JS 代码片段,多步操作一次性执行,官方测 2.5x 快、token 更少 |
| ChatGPT Atlas / Perplexity Comet | 只能用自家内置 agent | 兼容任意外部 agent(Claude Code、Codex、Cursor、Gemini CLI 等) |
| 浏览器扩展 | 抢你的鼠标焦点、占你的 tab | agent 在独立 Space 里操作,你的 tab 完全不受影响 |
二、核心概念
Space(隔离工作区)
每个 agent 任务在独立的 Space 里运行,拥有自己的 tab、历史、状态。多个 agent 可以同时在不同 Space 并行执行,互不干扰。你随时可以切进去看 agent 在干什么,也可以手动接管。
ego-browser(连接层)
一个 skill 文件,安装到 agent 的 skills 目录里。它把浏览器暴露为一组页内 JavaScript 函数,agent 直接调用——不走 CLI 逐条指令的模式。
Semantic Snapshot(语义快照)
在 Chromium 引擎层面定制的页面结构化文本表示。能穿透跨域 iframe、Shadow DOM、第三方组件(Stripe、Salesforce、React Portal)。用稳定的 @N 引用替代 CSS 选择器,DOM 类名变了也不受影响,且比原始 HTML 省 token。
三、安装(macOS,Windows/Linux 待上线)
方式一:下载 DMG
从 lite.ego.app 下载对应芯片版本(Apple Silicon / Intel)。首次启动会询问是否迁移 Chrome 数据——选"是"后自动复制 profile(不修改 Chrome),agent 立即继承你所有登录态。
安装过程会自动把 ego-browser skill 注册到 agent 的 skills 目录。
方式二:npx 安装 skill
npx skills add citrolabs/ego-lite
只安装 skill 连接层,首次执行浏览器任务时自动安装 ego lite 应用。
方式三:让 agent 自己装
把下面的指令丢给你的 agent:
Read skills/ego-browser/references/install.md and follow the install steps.
安装验证
# 确认 ego-browser CLI 可用
command -v ego-browser
# 快速测试连通性
ego-browser nodejs <<'EOF'
console.log('ego-browser ready')
EOF
四、使用方法
基本流程
在 agent 终端里用 /ego-browser 加自然语言描述任务:
# 关注 Twitter 账号
/ego-browser follow @ego_agent on x.com for me
# 抓取竞品定价
/ego-browser open competitor.com/pricing, capture the pricing table as markdown
# 查看内部系统仪表盘
/ego-browser go to grafana.internal/d/api-latency, screenshot the last 24h panel
agent 会在独立 Space 里打开页面、读取 Snapshot、执行操作、返回结果。
执行模型
agent 不是逐条发 CLI 命令,而是写一段 JS 代码组合多个操作,一次性执行:
navigate("https://x.com/ego_agent") → snapshot() → click(@follow-button) → snapshot()
这就是为什么它比传统 CLI 驱动的方案快——减少了 agent 和浏览器之间的往返次数。
五、V2 API 详解
ego-browser 的 V2 API 暴露为全局 JavaScript 函数,agent 在一段 JS 代码里直接调用。
Space 管理
| 函数 | 用途 |
|---|---|
taskSpace(nameOrId) | 创建或恢复一个隔离 Space(按名称新建,按 ID 恢复) |
listTaskSpaces() | 列出所有活跃 Space |
claimTaskSpace(spaceId) | 认领一个已有 Space |
takeOverTaskSpace(spaceId) | 强制接管一个 Space |
profiles() | 列出浏览器 profile,可通过 taskSpace(name, { profileId }) 指定 |
task.finish({ keep: [] }) | 结束任务,关闭所有 page;keep: ["p2"] 保留指定 page 给用户看 |
页面观察
| 函数 | 用途 |
|---|---|
page.snapshot() | 返回页面的结构化文本(语义快照,token 高效) |
page.screenshot({ path }) | 截图保存到本地路径 |
page.url() | 获取当前 URL |
page.title() | 获取页面标题 |
page.info() | 获取页面综合信息 |
页面导航
| 函数 | 用途 |
|---|---|
page.goto(url) | 导航到指定 URL |
page.reload() | 重新加载页面 |
page.waitForURL(pattern) | 等待 URL 匹配 |
page.waitForLoadState() | 等待页面加载完成 |
页面交互
| 函数 | 用途 |
|---|---|
page.click(selector) | 点击元素 |
page.dblclick(selector) | 双击 |
page.hover(selector) | 悬停 |
page.fill(selector, value) | 填写输入框 |
page.selectOption(selector, value) | 选择下拉选项 |
page.focus(selector) | 聚焦元素 |
page.press(key) | 按键(如 "Enter") |
page.dragAndDrop(from, to) | 拖拽 |
page.setInputFiles(selector, files) | 上传文件 |
等待机制
| 函数 | 用途 |
|---|---|
page.waitForSelector(sel, { state }) | 等待元素出现/隐藏 |
page.waitForFunction(fn) | 等待自定义条件 |
page.waitForTimeout(ms) | 硬等待(慎用) |
page.waitForEvent(type) | 等待事件(如 "download") |
底层控制(Canvas、富应用场景)
| 函数 | 用途 |
|---|---|
page.mouse.click(x, y) | 坐标点击 |
page.mouse.move(x, y) | 鼠标移动 |
page.mouse.wheel(dx, dy) | 滚轮 |
page.keyboard.type(text) | 逐字输入 |
page.keyboard.press(key) | 按键 |
page.keyboard.paste(text) | 粘贴文本 |
page.evaluate(fn, arg) | 在页面上下文执行任意 JS |
选择器语法
ego-browser 用多种方式定位元素,优先用 @N 语义引用:
| 语法 | 示例 | 说明 |
|---|---|---|
@N | @21 | Snapshot 里的稳定引用,推荐首选 |
text= | text=Sign in | 按文本内容匹配 |
loc=role: | loc=role:button[name='Submit'] | 按 ARIA 角色 |
loc=css: | loc=css:#account-home | CSS 选择器 |
loc=href: | loc=href:/settings | 按链接地址 |
xpath= | xpath=//div[@id='main'] | XPath |
| 原始 CSS | #login-btn | 兜底 |
六、实战代码示例
打开页面 + 读取内容
ego-browser nodejs <<'EOF'
const task = await taskSpace("inspect example page");
const page = task.page("p1");
await page.goto("https://example.com");
console.log(await page.snapshot());
await task.finish({ keep: [] });
EOF
登录表单填写
ego-browser nodejs <<'EOF'
const task = await taskSpace("login flow");
const page = task.page("p1");
await page.goto("https://app.example.com/login");
// 用 snapshot 里的 @N 引用定位输入框
await page.fill("@21", "user@example.com");
await page.fill("@23", "mypassword");
await page.click("loc=role:button[name='Sign in']");
await page.waitForSelector("loc=css:#dashboard", { state: "visible" });
console.log(await page.snapshot());
await task.finish({ keep: ["p1"] }); // 保留页面给用户看
EOF
截图 + 坐标操作(Canvas/富应用)
ego-browser nodejs <<'EOF'
const task = await taskSpace("spreadsheet edit");
const page = task.page("p1");
await page.goto("https://docs.google.com/spreadsheets/d/...");
const path = await page.screenshot({ path: "/tmp/before.png" });
await page.mouse.click(420, 260, { label: "open cell" });
await page.keyboard.paste("hello\tworld");
await page.screenshot({ path: "/tmp/after.png" });
await task.finish({ keep: ["p1"] });
EOF
恢复之前的 Space(多轮对话)
ego-browser nodejs <<'EOF'
// 用 Space ID 恢复上一轮的工作区
const resumed = await taskSpace(7);
const page = resumed.page("p1");
await page.goto("https://example.com/next-step");
console.log(await page.snapshot());
EOF
文件下载
ego-browser nodejs <<'EOF'
const task = await taskSpace("download report");
const page = task.page("p1");
await page.goto("https://app.example.com/reports");
const [download] = await Promise.all([
page.waitForEvent("download"),
page.click("text=Export CSV")
]);
await download.saveAs("/tmp/report.csv");
console.log("Downloaded to:", await download.path());
await task.finish({ keep: [] });
EOF
七、Learnings(站点级可复用技能)
ego-browser 内置了针对特定网站的预制 skill,存放在 skills/ego-browser/learnings/ 下:
| 站点 | 内置技能 |
|---|---|
| search_and_extract、autocomplete | |
| X (Twitter) | timeline、search_users、extract-post |
| GitHub | search-repos、open-issues、repo-stats |
每个站点有一个 manifest.json 声明 nodeTools(Node.js 侧工具)和 browserTools(页内工具)。社区可以贡献新站点的 learnings——这是 "Experience Accumulation"(经验积累)特性的基础。
八、兼容的 Agent
| Agent | 支持方式 |
|---|---|
| Claude Code | /ego-browser skill |
| Codex | skill 目录 |
| Cursor | skill 目录 |
| Gemini CLI | skill 目录 |
| Kiro / Continue / OpenCode | skill 目录 |
| 自定义 Agent | 只要能执行 shell 命令就行 |
不绑定特定模型,不需要集成 SDK。
九、架构
┌──────────────────────────────────────────┐
│ ego (lite) 浏览器 │
│ ┌─────────┐ ┌─────────┐ ┌─────────┐ │
│ │ 你的 Tab │ │ Space 1 │ │ Space 2 │ │
│ │(不受影响)│ │(Agent A)│ │(Agent B)│ │
│ └─────────┘ └────┬────┘ └────┬────┘ │
│ │ │ │
│ CDP (Chrome DevTools Protocol)│
└──────────────┬─────┴───────────┘──────────┘
│
┌──────┴──────┐
│ ego-browser │ ← skill 文件 + TypeScript 运行时
│ (连接层) │ 暴露 JS API 给 agent
└──────┬──────┘
│
┌──────────┴──────────┐
│ Claude Code / Codex │ ← 任意支持 skill 的 agent
│ Cursor / 自定义 │ 写 JS snippet 驱动浏览器
└─────────────────────┘
三层分离:
- ego lite(浏览器应用) — 闭源 Chromium 定制,提供 Space 隔离和 Snapshot 引擎
- ego-browser(连接层) — 开源(MIT),TypeScript 写的 Node.js 运行时,通过 CDP 与浏览器通信
- Agent — 任意能执行 shell 命令的 AI agent,通过 ego-browser 的 JS API 操控浏览器
十、适用 / 不适用场景
适合
- 社交媒体运营 — 批量发帖、回复、抓取互动数据,X / LinkedIn / Reddit 全覆盖
- 销售/CRM — 到 LinkedIn 公司页验证线索信息,批量充实 CRM 字段
- QA 测试 — 登录 staging 环境复现 bug,收集控制台日志,截图记录
- 调研 — 并行打开多个竞品页面,汇总成结构化表格
- 内部工具自动化 — 操作需要登录的内部系统(审批、仪表盘、配置后台)
不适合
- CI/CD 里的 headless 无头任务 — 没有桌面环境的服务端
- 大规模爬虫(上千并发无头实例) — 这是爬虫框架的活
- 纯代码任务 — 不涉及 Web 交互就没必要用它
十一、安全和隐私
- 数据全本地 — cookie、session token、浏览历史都不上传
- 不修改 Chrome — 迁移是复制而非移动
- Space 隔离 — agent 只在自己的 Space 里操作,不碰你的 tab
十二、使用建议
写具体的 prompt。 模糊指令效果差。好的 prompt 应包含:目标 URL、要提取的字段、输出格式(Markdown 表格/JSON)、遇到不确定时如何处理。
# 差
/ego-browser check my orders
# 好
/ego-browser go to amazon.com/your-orders, extract the last 5 orders
as a markdown table with columns: date, item name, price, status.
If any field is unclear, mark it as "N/A".
用并行 Space 提速。 开两个 agent session,各给一个浏览器任务,它们在不同 Space 同时执行。
把 agent 当并行工位而非你的替身。 你在主浏览器干活,agent 在旁边的 Space 默默跑任务,跑完了来看结果。
十三、与同类工具对比
| ego (lite) | Playwright / Puppeteer | Browser Use | agent-browser (Vercel) | |
|---|---|---|---|---|
| 执行方式 | JS 代码一次执行 | 逐步 API 调用 | LLM loop 逐步 | CLI 逐步 |
| 登录态 | 共享你的 | 需重新登录 | 需重新登录 | 需重新登录 |
| CAPTCHA | 极少触发 | 经常触发 | 经常触发 | 经常触发 |
| 多任务并行 | Space 隔离 | 多实例 | 单实例 | 单实例 |
| 数据存储 | 本地 | 本地 | 云端(付费) | 取决于部署 |
| 价格 | 免费 | 免费 | 按量付费 | 免费 |
| 日常浏览器 | 可替代 Chrome | 不是浏览器 | 不是浏览器 | 不是浏览器 |
| 平台 | macOS(Win/Linux 待上线) | 全平台 | 全平台 | 全平台 |
十四、社区反馈(HN 讨论摘要)
从 Hacker News 讨论 的关键观点:
- JS 批量执行是核心优势 — "用 JS 代码一次执行所有操作比看着 agent 逐条执行命令聪明多了"。保持连接层、命令、工具都在 JS 里减少了跨语言序列化开销。
- 登录态共享解决了大问题 — agent 拿到自己的独立 Space 但保留用户的凭证,不需要重新认证。
- 反检测是个开放问题 — 有用户担心触发平台反机器人机制,但实测在 X(Twitter) 上没问题。
- 多会话并行 — 有人用来跑多个 agent 控制的浏览器 session(比如网页游戏多开)。
- JS 不是唯一选择 — 有开发者指出 Python 的 CDP 绑定(如 Playwright Python)也很成熟。ego-lite 选 JS 是因为连接层本身就在浏览器 JS 运行时里,减少上下文切换。
资源链接
- 仓库:github.com/citrolabs/ego-lite
- 官网:lite.ego.app
- 文档:lite.ego.app/document
- 社区:Discord / GitHub Discussions / X @ego_agent
- HN 讨论:Show HN: Ego lite
ego (lite) 的核心价值是"让 agent 用你的浏览器、你的登录态干活,但不抢你的屏幕"。如果你的 agent 工作流涉及大量需要登录的 Web 操作,这工具值得一试——免费、本地、开箱即用。当前限制是只支持 macOS。