EgoLite：让Claude Code用你的浏览器并行干活

为什么AI上网总是踩坑

你让AI上网干过活吗？爬网页、填表格、测界面——只要试过，多半都踩过同一个坑：AI每次打开浏览器都要重新登录，或者干脆抢走你正在用的标签页。这背后其实是浏览器自动化领域长期存在的三大结构性问题。

浏览器自动化技术从早期的Selenium发展到Puppeteer再到Playwright，已经经历了近二十年的演进。Selenium诞生于2004年，最初是ThoughtWorks工程师Jason Huggins为了解决内部Web应用测试而开发的工具，它通过WebDriver协议控制浏览器，但每次都需要启动全新的浏览器实例。2017年Google推出Puppeteer，利用Chrome DevTools Protocol（CDP）直接与Chromium通信，速度大幅提升但仍是单浏览器模型。2020年微软推出Playwright，支持多浏览器且引入了BrowserContext概念实现轻量级隔离，但其设计仍围绕确定性测试脚本而非动态AI决策。这三代工具的共同局限在于：它们都假设操作者知道确切的执行步骤，而AI Agent的核心特征恰恰是需要根据页面反馈动态调整策略。但这些工具的设计初衷都是面向「测试工程师」而非「AI Agent」。它们假设用户会手动处理登录、管理实例生命周期，并在确定性脚本中执行。当LLM Agent开始接管浏览器操作时，这些假设全部失效——Agent需要动态决策、并行执行、并且继承人类的会话状态，而传统工具完全不具备这些能力。Browser Use、LaVague等新一代AI浏览器工具虽然试图弥合这一鸿沟，但仍受限于底层浏览器架构的约束。

第一，登录态无法继承。像 Browser Use 这类工具需要独立的浏览器实例，AI打开你的 GitHub、Gmail 时每次都要重新登录，验证码接踵而至。第二，人和 Agent 抢浏览器。AI 操作当前标签页时，你只能在旁边干等，一动鼠标它又乱套，互相干扰。第三，CLI 方案又慢又费 Token。每一步都是一个工具调用：打开、看、找元素、点击、再打开，每次都要序列化和重建上下文。

当AI Agent需要理解一个网页时，传统方案会将整个DOM树序列化为文本传给大语言模型。一个典型的现代网页可能包含数千个DOM节点，序列化后轻松超过3万Token。以GPT-4o的定价计算，仅「看一眼」网页就要花费约0.15美元的输入成本。更关键的是，这些Token中绝大多数是不可见元素、样式标签和脚本代码——对Agent决策毫无帮助。这就是为什么Token优化不仅关乎成本，更直接影响Agent的推理质量和响应速度。当模型的上下文窗口被无意义的HTML标签填满时，真正重要的信息（按钮文字、表单字段、导航结构）反而被「淹没」，导致Agent做出错误决策或遗漏关键操作步骤。

EgoLite的切入点是什么

举个真实场景：让 AI 批量把十个公司线索填进表格，它打开浏览器却发现没有你的登录态，验证码直接卡住，或者抢走你正在用的标签页。这里有一个本质洞察——瓶颈不是 API，而是浏览器本身。Agent 真正需要的，是一个能继承你登录态、还能并行运行的浏览器。

EgoLite是什么：一个浏览器，两个用户

EgoLite 的切入点很直接：既然问题出在浏览器，那就重新做一个浏览器。它不是一个插件或工具，而是一个完整的 Chromium 浏览器，从头为「人类 + AI Agent 并行」而设计。

它由 Citra Labs 开源，GitHub 已获 7000 多 Star，采用 MIT 协议完全免费，兼容 Claude Code、Codex、Cursor 三大 Agent 环境——装好后会自动注册 Ego Browser 技能，三端通用。这种兼容性背后依赖的是 Model Context Protocol（MCP）或类似的技能注册标准。MCP是Anthropic于2024年底提出的开放标准，旨在为AI模型提供统一的外部工具和数据源接入方式。它定义了一套JSON-RPC风格的通信协议，允许本地或远程服务将自己的能力「注册」为模型可调用的工具。每个工具注册时需声明名称、输入参数的JSON Schema、能力描述和返回格式。Agent在规划阶段会检索可用工具列表，根据工具描述判断哪个工具适合当前子任务，然后构造符合Schema的参数发起调用。当EgoLite安装后，它会在本地技能目录中注册一个「Ego Browser」工具描述，包含工具名称、参数结构和能力说明。当Agent需要执行浏览器操作时，它会识别到这个已注册的技能并调用对应的本地API。这种松耦合的插件架构使得同一个浏览器后端可以服务于不同的Agent前端，而不需要为每个平台单独开发适配层——工具提供者和AI模型之间无需直接集成，只要遵循同一协议即可互操作。目前仅支持 macOS，Windows 和 Linux 已在路线图中。

与传统工具的根本区别

核心概念可以用一句话概括：一个浏览器，两个用户。你正常浏览网页，Agent 在独立的 Space 里干活，你的标签页纹丝不动，随时可以接管或停止任意 Space。隐私方面也让人放心——浏览数据全部留在本地设备，只记录你是否选择迁移 Chrome，不上传任何浏览内容。

EgoLite四大核心特性

EgoLite 与传统浏览器自动化方案的根本区别，体现在四个特性上，而这四点叠加起来才产生质变。

Spaces隔离并行

每个 Agent 任务对应一个独立 Space，十个任务可以同时跑，且与你的标签页完全隔离。这把「多开」从容易冲突的苦差事，变成了一键式体验。

EgoLite的Space隔离借鉴了Chromium的多进程架构和Profile机制。Chromium的多进程架构是其安全模型的基石——每个标签页运行在独立的渲染进程中，通过IPC（进程间通信）与主进程交互。BrowserContext是Chromium中比Profile更轻量的隔离单元，它可以拥有独立的Cookie存储、缓存和权限设置，但不需要完整复制用户数据目录。每个Space本质上是一个独立的浏览器上下文（BrowserContext），拥有独立的渲染进程、网络栈和JavaScript执行环境，但共享同一份用户数据（Cookie、登录态）的只读快照。EgoLite在此基础上做了关键创新：它为每个Space创建BrowserContext时，会以COW（Copy-on-Write）方式引用主Profile的登录态数据。这意味着读取Cookie时共享同一份数据，但任何Space对Cookie的修改都不会影响主Profile或其他Space，实现了「继承但隔离」的效果。不同Space之间无法相互访问DOM或篡改彼此的网络请求，就像多个虚拟机共享同一硬件但彼此隔离。这种设计既保证了并行任务的稳定性，又避免了启动多个完整浏览器实例带来的内存开销——十个Space的资源消耗远低于十个Chrome窗口。

Chrome数据继承实现免登录

首次启动时迁移登录态、Cookie、扩展和书签，Agent 直接用你的账号，零配置。这是「免登录」的关键所在。

技术上，Chrome将用户数据存储在一个固定的用户数据目录中（macOS上通常位于~/Library/Application Support/Google/Chrome/），其中包含Cookies SQLite数据库、Login Data加密存储、Local Storage和IndexedDB等。EgoLite的迁移过程会读取这些文件并导入自己的存储格式中。值得注意的是，现代浏览器的Cookie往往绑定了设备密钥（如macOS Keychain中的加密密钥），EgoLite需要在同一设备上才能正确解密和使用这些凭证——这也是它目前要求本地安装而非云端部署的原因之一。对于基于OAuth Token的登录态，迁移后Token的有效期和刷新机制保持不变，Agent使用时就像你本人在操作一样自然。

Snapshot省Token机制

传统方案把完整 HTML 喂给模型，动辄三万多 Token；而 EgoLite 用语义化的 Snapshot，只保留可见、可交互的元素，Token 直接降到两三百。这个 Snapshot 基于 Chromium 无障碍树构建，对复杂 iFrame 和 Shadow DOM 也有内核级支持。

Chromium无障碍树是浏览器为辅助技术（如屏幕阅读器）构建的页面语义结构。W3C的ARIA（Accessible Rich Internet Applications）规范定义了一套角色、属性和状态的词汇表，浏览器据此为每个页面构建无障碍树。它将视觉呈现的网页转化为一棵语义化的树形结构，每个节点包含角色（button、link、heading）、名称、状态和可执行的操作。与完整DOM不同，无障碍树天然过滤了纯装饰性元素，只保留对用户交互有意义的内容。这棵树的节点数量通常只有DOM节点的10%-20%，因为纯样式容器（如div嵌套用于布局）、不可见元素和装饰性图片都会被过滤。以一个典型的SaaS定价页为例：完整DOM可能有4000个节点序列化为35000 Token，而无障碍树可能只有200个语义节点，序列化后仅需200-400 Token。更重要的是，无障碍树中的每个节点都自带交互语义——按钮就是按钮、链接就是链接——Agent无需像解析原始HTML那样推断元素的交互性质。EgoLite利用这一机制构建Snapshot，本质上是让AI像视障用户使用屏幕阅读器一样「感知」页面——高效、语义清晰、且不受CSS布局或JavaScript框架的干扰。对于Shadow DOM和跨域iFrame这类传统爬虫难以穿透的结构，无障碍树同样能在内核层面完整暴露其交互元素。

Codebase驱动一次执行

Agent 写一段 JS 脚本，一次执行整个任务，而不是 N 轮工具往返，速度比 CLI 方案快 2.5 倍。

传统CLI驱动模式下，Agent每执行一步操作都需要：1)向LLM发送当前页面状态，2)LLM返回下一步指令，3)工具执行该指令并返回新状态。一个五步操作需要五轮完整的LLM调用，每轮都有网络延迟和Token开销。以一个典型的五步网页操作为例量化这种差异：CLI模式需要5次LLM调用（每次约1-3秒网络延迟）+ 5次页面状态序列化（每次约200-500ms）+ 5次工具执行（每次约300ms），总耗时约15-25秒，消耗约5000-8000 Token。Codebase驱动模式则让LLM在第一轮就生成完整的执行脚本，后续步骤在本地JavaScript运行时连续执行，无需反复调用模型。只需1次LLM调用生成脚本（约2-4秒）+ 1次本地连续执行（约1.5秒），总耗时约4-6秒，消耗约800-1200 Token。这类似于从「逐行解释执行」升级为「编译后批量执行」，不仅快2.5倍，还大幅降低了因网络抖动或API限流导致的任务中断风险。对于步骤更多的复杂任务（如填写10个表单字段），性能差距可达5-8倍。此外，批量执行还消除了中间状态丢失的风险——CLI模式中如果第三步调用超时，前两步的执行结果可能已经无法恢复。

EgoLite界面

工作原理：快照-操作-验证的循环

一次任务如何跑起来？四步走。第一步，你下指令，比如「/ego-browser 打开 GitHub Trending，总结前五个热门项目」。第二步，Agent 基于 Ego Browser 技能，把任务编译成一段「快照-操作-验证」的 JS 脚本。第三步，脚本在隔离的 Space 里执行：打开页面、读快照、操作、返回结果。第四步，你的标签页全程不受影响。

核心就是一个循环——快照、操作、验证，一次脚本跑完，而不是 N 轮工具调用。这个循环的设计灵感来源于经典的「感知-决策-执行」（Perception-Decision-Action）循环，但做了关键简化：传统Agent架构中每个循环迭代都需要回调LLM做决策，而EgoLite将决策前置——LLM在生成脚本时已经预判了可能的页面状态，并在脚本中内置了条件分支（如「如果按钮不存在则等待」「如果出现弹窗则关闭」）。这意味着脚本在执行过程中能自主处理常见异常，只有遇到完全预料之外的情况才需要回调Agent重新规划。

给大家看一段真实脚本的逻辑：打开定价页 → 读快照 → 点「联系销售」→ 填邮箱 → 提交，五步一次执行完毕。

下面这张对比表能清晰看出差距：

维度	传统方案	EgoLite
登录态	独立实例，重新登录	迁移 Chrome 数据，直接用你的账号
并行任务	一个浏览器一份任务	十个 Space 并行互不干扰
驱动方式	CLI 逐步调用，N 轮往返	Codebase 一段 JS 一次执行
Token 消耗	完整 HTML 三万+	快照仅两三百

EgoLite安装教程与三大实战场景

安装有三种方式，任选其一。方式一（最推荐）：运行 npx skills@citra-labs/egolite，首次执行浏览器任务时会引导你安装 EgoLite 应用。方式二：根据芯片架构下载对应 DMG 安装包，双击安装后自动在所有 Agent 技能目录注册 Ego Browser。方式三：把「setup egolite for me」直接贴给 Claude Code，让它读安装文档自动配置。

有三点提示：首次启动会问是否迁移 Chrome 数据，务必选「是」，这是免登录的核心；三端技能通用；当前仅 macOS 可用。关于macOS限制，这主要是因为EgoLite深度集成了macOS的安全框架——包括Keychain用于Cookie解密、沙箱机制用于Space隔离、以及Gatekeeper签名验证。跨平台移植需要为每个操作系统重新实现这些安全原语，这也解释了为什么Windows和Linux版本需要额外的开发时间。

并行去十家公司官网

实战上有三个可直接照抄的场景：

销售与运营批量搜集线索：开十个 Space 并行去十家公司官网找联系人并填表，你同时写邮件，互不打扰。这个场景下，每个Space继承了你CRM系统的登录态，Agent可以直接将搜集到的信息填入对应的客户记录中，而无需你手动切换上下文或重复登录。
竞品调研自动化：开五个 Space 并行抓取五个竞品站的价格和更新日志，结果汇总成表。由于Snapshot机制只传递语义化内容，即使竞品网站使用了复杂的前端框架（React、Vue等）或反爬机制，Agent依然能通过无障碍树准确识别价格数字和版本号等关键信息。
重复网页操作批量执行：批量关注、批量填表、监控页面变化，这些脏活累活交给 Space 里的 Agent。

这三个场景覆盖了 AI 上网最有价值的三件事：搜集、调研、自动化。核心一句话——凡是要打开网页、点好几下的事，都能丢给它，用大白话描述任务即可。

使用EgoLite的四条黄金准则

最后收尾四条实践准则：第一，首次启动务必迁移 Chrome 数据，这是免登录的关键；第二，善用 Space 并行，多任务同时开；第三，依赖 Snapshot，把 Token 花在刀刃上；第四，随时可接管半信半疑的任务，看着它跑，随时抢方向盘。

第四点值得展开说——EgoLite的「接管」设计体现了一种被称为「Human-in-the-Loop」的AI协作哲学。你可以随时暂停某个Space中的Agent执行，查看当前页面状态，手动完成一两步操作（比如Agent不确定要点哪个按钮时），然后再将控制权交还给Agent继续执行剩余步骤。这种灵活的控制权切换，使得Agent不需要100%的准确率就能产生价值——即便它只能正确完成80%的步骤，剩下20%由人类快速补位，整体效率仍然远高于纯手动操作。

如果今天只带走一句话，那就是：给 AI 一个能继承你登录态的浏览器，让人和 Agent 并行不打扰。这也正是 EgoLite 试图重新定义浏览器自动化的核心逻辑——不是造一个更聪明的工具，而是换一个更合适的载体。从更宏观的视角看，EgoLite代表了AI工具链演进的一个重要趋势：当AI能力足够强大时，瓶颈往往不在模型本身，而在模型与物理世界（这里是浏览器）之间的接口层。谁能设计出更高效的接口，谁就能释放AI的真正潜力。