ego-lite 从入门到精通：比 Computer Use 更适合 Codex 的浏览器自动化方案

Codex 很强，Claude Code 很强，AI 很强。

但所有深度使用 Codex 的人，早晚都会撞上同一堵墙 —— 你的 Codex 在处理需要登录的网页时，体验极其糟糕。

让 Codex 帮查个后台数据，它要重新登录；让它处理一封 Gmail，它说“需要登录”；让它刷一下 X 时间线，它只能干瞪眼。

即便借助 Codex 自带的 Computer Use 强行打开登录态网页，体验也往往不尽如人意：靠视觉识别看屏幕慢如龟速、直接抢占鼠标光标，频繁断连，遇到复杂的页面还容易打回原形。

最后大家还是选择回到原始人模式：自己打开网页，截图，把内容粘给它。一遍，两遍，天天如此。

今天这篇长文，就是来拆掉这堵墙的。

主角叫 ego-lite——一个专门为 AI 而生、又同时给人类用的浏览器。对于频繁依赖 Agent 自动化流程的开发者来说，它提供了一个比 Computer Use 快得多、干净得多、且完全不抢鼠标的浏览器专属解决方案。

读完这篇指南，Codex 的能力边界会被往前推一大块。

一、先说每天都在撞的那堵

深度依赖 Codex 的日常里，痛苦基本长一个样：

终端里是神，网页上是瞎子：Codex 在 CLI 命令行、脚本编写、重构代码上能力极其惊人，但只要任务涉及真实的 Web 世界（尤其带鉴权的私有页面），它就立刻变成了瞎子。
传统自动化工具环境太干净：Playwright、Puppeteer 每次启动都会起一个全新的、极其干净的临时 Profile。里面空空如也，Cookie、Session、会员状态、后台登录全都没有。要让 Codex 查东西，你必须先写脚本模拟登录，遭遇 2FA 验证码时脚本直接崩掉。
视觉交互体验太重：Computer Use 虽然能开网页，但它走的是“截图 -> 视觉模型识图 -> 推算相对坐标 -> 模拟硬件鼠标点击”的视觉闭环。这个过程极度依赖模型对坐标的理解精度，不仅视觉循环速度慢（单次交互可能耗时 3-5 秒），而且它会直接抢占系统鼠标焦点，导致人类用户在旁边连打字都会断行。
截图搬运回归石器时代：最终，大部分人的工作流退化成了：自己手动打开浏览器 -> 复制 Cookie/截图 -> 贴进 Codex -> Codex 提示信息不全 -> 再截一张。本应自动化的 Agent 变成了“截图驱动型 AI”。

这些痛点的本质只有一个：Codex 没有一双能快速、静默地看见真实网络世界的“眼睛”，更没有一只干净不扰人的“手”能帮着操作它。

ego-lite 干的事，就是把“眼睛”和“手”给 Codex 装上。而且是装在它自己的隔离空间里——不碰你的正常浏览器，也不抢键盘鼠标。

二、ego-lite 是什么

一句话定义

ego-lite 是一个 Chromium 内核的浏览器，同时服务人类和 AI Agent。它给 Codex 提供隔离的“任务空间”，并在任务空间里复用真实的登录态。

它是个真浏览器：它不是普通的无头壳子（headless），也不是一个简单的 WebDriver 封装，而是带有完整 Chromium 内核的真浏览器。人类能正常跑的复杂 JS 单页应用（SPA）、WebAssembly 以及加密验证，它完全支持
它有“任务空间”(Task Space)：这是它与所有同类工具最本质的区别。每个 Codex 任务对应一个独立的空间，空间内部拥有属于自己的标签页与上下文，与人类主界面相隔离。Codex 在隔离空间里打开 10 个标签页进行深度搜索，人类在主窗口阅读文章，两者互不干扰。
任务空间默认继承登录态：全场 MVP。ego-lite 底层设计实现了配置目录（User Data Directory）安全共享与隔离机制。Codex 介入时，不需要输入账号密码或重新走 2FA 流程，直接复用当前用户的 Session。查 Gmail、看后台、刷数据、回私信，上手就能干。

把它的定位形容为 “Codex 的私人办公室” 再合适不过——独立、干净、而且带着门禁卡。

角色职责划分

在深入具体工作流之前，不妨先把两者的分工看清：

角色	负责的事	交互模式
人类	用自然语言提需求：“帮我查一下后台今天的订单数并汇总”	自然语言交互
Codex	规划任务、决定使用哪个 Task Space、拼出 ego-browser nodejs 命令、执行、读取语义树输出、汇总汇报	CLI 命令行执行 / JS 闭包构建
ego-lite	在隔离空间里真正渲染网页、复用 Cookie 登录态、将 DOM 转换为语义树输出给 Codex	Chromium 内部调度 / CDP 桥接

在使用过程中，人类永远不需要手写脚本，那全是 Codex 的活。

三、与其他自动化方案有什么不同

在已经拥有 Computer Use、Playwright 或 browser-use 的前提下，ego-lite 依然不可替代，原因在于它是一条更高效、更不打扰人的浏览器“专用通道”。

\1. 对比 Codex 自带的 Computer Use

Computer Use 是官方给出的通用桌面兜底方案：在没有 API 和标准结构时，靠视觉识别“看屏幕、猜坐标、模拟点击”。

速度与响应：Computer Use 的“视觉截图 -> LLM 坐标识别 -> 模拟硬件鼠标”闭环单次耗时非常明显，且模拟硬件鼠标动作会强制抢占系统光标；ego-lite 走的是 DOM 结构化语义通道，通过语义树（snapshotText）直接读懂页面结构并精准触发点击事件，响应速度高出一个量级，且支持后台静默执行，不抢占键盘鼠标。
登录态稳定性：Computer Use 依赖于桌面上的浏览器实例，频繁开启新窗口或注入插件时，继承登录态极其不稳定；而 ego-lite 在底层架构层面原生支持了配置目录的身份继承。

可以说，Computer Use 是“啥都能干但比较笨重”的桌面级兜底，ego-lite 则是“快速、干净、不打扰人”的浏览器专属通道。

\2. 对比传统自动化工具（Playwright / Puppeteer / browser-use）

传统工具：起一个全新的干净 Profile，里面没有任何 Cookies 或 LocalStorage。要跑自动化，要么写代码重新模拟登录，要么手动导出 Cookie 文件进行注入。一旦 Cookie 过期，脚本直接崩溃。它们是面向“测试工程师”在 CI/CD 环境下设计的，而不是面向“AI Agent 协作”。
ego-lite：直接复用真实登录态，Codex 进去就能干活。同时用“隔离任务空间”保证不干扰正常浏览，彻底解决了 Agent 安全、无缝在真实网络世界干活的问题。

\3. 方案综合对比

维度	Playwright / Puppeteer	Computer Use	browser-use	ego-lite
登录态复用	困难（需手动导 Cookie/写登录逻辑）	中等（依赖桌面打开的窗口）	困难（默认新上下文）	原生无缝继承
操作模式	代码/无头 (Headless)	视觉识图 + 硬件鼠标	视觉 + DOM 结合	结构化语义 + 隔离空间
对人类打扰	低	高（抢占鼠标/屏幕焦点）	中等	零打扰（后台静默执行）
人机接管	无（遇到 Captcha 直接报错崩溃）	需手动终止 Agent	较为繁琐	无缝人机交接（自动弹窗等待）

\4. 关键特性：人机控制权交接

传统自动化工具遇到验证码（Captcha）或二次确认，通常只能报错崩溃，Agent 框架也容易直接卡死。

而 ego-lite 支持人机协同机制：当 Codex 撞上验证码或高风险二次验证时，它会主动把隔离的任务窗口弹到前台，同时暂停 Agent 的执行；人类直接在界面上点完验证码，在终端回复一声“好了”，Codex 便能顺畅接过控制权继续干活。遇到障碍不硬打，交还给人类处理——这是真实场景里极其地道的机制。

四、安装：一条命令，两分钟

目前优先支持 macOS（支持 Apple Silicon M 系列及 Intel 架构）。

\1. 执行安装脚本

打开终端，直接运行官方安装脚本：

1	sh skills/ego-browser/scripts/install.sh

脚本自动完成的事项：

自动检测系统的 CPU 架构（arm64 或 x64），从官方 CDN 下载最新的 DMG 安装包；
将 ego

lite.app

解压并安装到 /Applications 应用程序目录；
自动移除 macOS 的

com.apple

.quarantine 属性，直接绕过 Gatekeeper 的首次安全拦截；
启动应用进入首次 Onboarding 指引（支持一键导入 Chrome 历史数据与 Cookie），并将 ego-browser CLI 工具自动注册到系统的 PATH 路径中。

\2. 环境验证与 Troubleshooting

安装完成后，打开新的终端标签页，校验环境变量：

1	command -v ego-browser

常见坑点排查：若终端提示 command not found: ego-browser，通常是因为 ~/.local/bin 没有包含在当前的 shell 环境变量中。在你的 ~/.zshrc 或 ~/.bashrc 中补上导出配置即可：Bashexport PATH=”$HOME/.local/bin:$PATH” 重新加载配置：source ~/.zshrc

\3. 运行时验证

执行以下极简脚本，测试 Node.js 桥接与 CLI 的连通性：

1
2
3

ego-browser nodejs <<'EOF'
cliLog('ego-browser ready')
EOF

若终端正确打印出 ego-browser ready，即代表整个底层交互环境配置完毕。

将它设计成 CLI 而非普通依赖库的原因很纯粹：CLI 是 Codex 最自然的操作接口。不需要额外的 import 或繁琐配置，一条命令接一个 heredoc 即可完成交互。

五、第一次运行：自动化任务的底层逻辑

在实际日常使用中，代码全部由 Codex 自动拼装运行。

例如给出这样一句指令：

“用 ego-browser 打开

google.com

，把页面上有什么告诉我。”

Codex 收到后，会在后台静默拼装并运行如下代码：

ego-browser nodejs <<'EOF'
// 1. 创建隔离空间，避免污染正常标签页
const task = await useOrCreateTaskSpace('inspect google page')
cliLog('task space id: ' + task.id)

// 2. 打开网页并等待渲染与网络加载完成
await openOrReuseTab('https://google.com', { wait: true, timeout: 20 })

// 3. 提取结构化语义树输出给 Codex
cliLog(await snapshotText())
EOF

这段逻辑建立了名为 inspect google page 的隔离空间，在内部打开目标页面，并将其解析为语义树输出。

snapshotText() 是最核心的观察 API。它返回的是一棵带有结构注释的语义树（基于 Accessibility Object Model 构建）：

1
2
3

- Heading level=1 "Example Domain" [loc=1:1]
- Paragraph "This domain is for use in illustrative examples..."
- Link "More information..." [ref=@1] [url=https://www.iana.org/domains/example] [loc=1:2]

[ref=

@N

]：给每一个可交互元素分配的临时引用编号；
[url=…]：可交互链接的真实目标 URL；
[loc=…]：底层 DOM 的稳定物理定位器，防止 DOM 重新渲染导致编号漂移。

需要特别关注的是，

编号仅在最近一次 snapshotText() 的结果中有效，页面一旦发生刷新、滚动或 Ajax 动态加载，索引就会重建。若要在多步脚本中长期引用特定元素，使用 loc=… 或 CSS 选择器会更加稳妥。

六、核心概念：任务空间

任务空间（Task Space）是 ego-lite 的灵魂。这是整套流程中最值得在提示词里跟 Codex 交代清楚的概念。

\1. 隔离的浏览上下文

每个 Task Space 拥有独立的标签页集合（Tabs Group），在逻辑与视图上互相隔离；
所有 Task Space 共享宿主浏览器的真实登录凭证，免除鉴权烦恼；
生命周期管理：关闭 Task Space 内部的所有标签页，系统即判定该 Task Space 已销毁并自动释放资源。

通过这种设计，Codex 在自己的房间里折腾，人类在客厅正常工作，互不打扰，但门禁卡（登录态）完全通用。

\2. 多轮任务的状态保持

每次 Codex 跑完一段 heredoc，Node.js 运行时进程就会退出。面对跨多轮的复杂任务，每一轮开头都需要找回同一个空间以恢复之前的页面上下文：

ego-browser nodejs <<'EOF'
// 在多轮会话中通过唯一名称锁定任务空间
const task = await useOrCreateTaskSpace('order-analysis-session')

// 获取当前空间中的活动标签页，无需重复 openTab
const currentTab = await getActiveTab()
cliLog('Current URL: ' + currentTab.url)

// 继续后续操作...
EOF

提示词习惯：在交互时，如果希望 Codex 跨多轮都在同一个空间内操作，可以在需求里明确说明：“接着刚才那个任务继续，别开新空间。” 这样可以有效防止 Codex 每轮都创建新空间导致状态丢失。

七、三种工作流的按需选择

针对不同的网页结构，系统提供了三条工作流：

工作流一：语义工作流（默认推荐）

Codex 使用 snapshotText() 获取语义树，再通过编号、loc 定位器或 CSS 选择器进行精准交互。

ego-browser nodejs <<'EOF'
const task = await useOrCreateTaskSpace('search something')
await openOrReuseTab('https://www.google.com/search?q=ego+browser', { wait: true })

// 提取语义树
const text = await snapshotText()
cliLog(text)

// 使用 @N 编号进行语义点击
await click('@1')
EOF

适用场景：绝大多数标准 Web 站点、包含完整 DOM 结构的电商页面、文档站、论坛、SaaS 后台管理系统。

工作流二：视觉工作流（画布类应用）

面对 Google Docs、Google Sheets、飞书文档、Notion、Figma、Excalidraw 等“画布型”（Canvas/Virtual DOM）应用，真正的文本内容被绘制在

此时需要切换为 截图 + 视觉坐标 + 真实键盘输入 的组合打法：

ego-browser nodejs <<'EOF'
const task = await useOrCreateTaskSpace('edit-canvas-doc')

// 1. 截取当前视口的高清图像
const screenshotPath = await captureScreenshot()
cliLog('Screenshot saved at: ' + screenshotPath)

// 2. 视觉识图后确定坐标 [X, Y]，点击指定区域获取焦点
await click([420, 260], { label: 'click into editor canvas' })

// 3. 触发真实物理键盘文本输入
await typeText('Hello world from ego-lite visual workflow!')
EOF

提示词习惯：遇到这类画布应用时，在提示词中补充一句：“这个页面是画布类应用，用视觉工作流，别用 DOM 输入”，Codex 就会自动切换模式。

工作流三：直接 DOM / CDP 模式

用于获取浏览器内部状态、执行复杂 DOM 遍历、注入长段 JS 逻辑或直接调用 Chrome DevTools Protocol 原语：

// 执行原生的 JavaScript 动态数据抓取
const data = await js(String.raw`(() => {
  const items = [...document.querySelectorAll('article.post-item')]
  return items.map(el => ({
    title: el.querySelector('h2')?.innerText.trim(),
    price: el.querySelector('.price')?.innerText.trim(),
    link: el.querySelector('a')?.href
  }))
})()`)

cliLog('Extracted Data: ' + JSON.stringify(data, null, 2))

八、五大实战场景拆解

以下演示了自然语言需求与 Codex 后台脚本的映射关系：

场景一：搜索与结构化数据抓取

自然语言需求：“帮我搜一下 claude code setup，把 Google 前 5 条结果的标题和链接整理成 JSON 读给我。”

Codex 自动拼装运行的后台脚本：

ego-browser nodejs <<'EOF'
(async () => {
  try {
    const task = await useOrCreateTaskSpace('google-search-task')
    await openOrReuseTab('https://www.google.com/search?q=claude+code+setup', { wait: true, timeout: 15 })

    // 执行 DOM 树解析，抓取结构化结果
    const searchResults = await js(String.raw`(() => {
      const nodes = [...document.querySelectorAll('div.g')].slice(0, 5)
      return nodes.map(node => {
        const titleEl = node.querySelector('h3')
        const linkEl = node.querySelector('a')
        return {
          title: titleEl ? titleEl.innerText : null,
          url: linkEl ? linkEl.href : null
        }
      }).filter(item => item.title && item.url)
    })()`)

    cliLog('RESULT_JSON:' + JSON.stringify(searchResults))
  } catch (err) {
    cliLog('ERROR: ' + err.message)
  }
})()
EOF

场景二：复用登录态（提取带鉴权 SaaS 后台指标）

自然语言需求：“去我的 SaaS 仪表盘后台看一下今天的 GMV 和新增订单数，直接汇报结果。”

Codex 自动拼装运行的后台脚本：

ego-browser nodejs <<'EOF'
(async () => {
  const task = await useOrCreateTaskSpace('check-saas-dashboard')
  
  // 继承已有 Cookies，无需 Auth 即可访问受保护路由
  await openOrReuseTab('https://app.mysaas.com/dashboard', { wait: true })

  // 提取语义树判定界面状态
  const snapshot = await snapshotText()
  
  if (snapshot.includes('Login') || snapshot.includes('Sign In')) {
    cliLog('STATUS: LOGIN_REQUIRED - 凭证失效，请手动登录')
    return
  }

  // 获取指标卡数据
  const metrics = await js(String.raw`(() => {
    return {
      gmv: document.querySelector('#stat-gmv')?.innerText,
      orders: document.querySelector('#stat-orders')?.innerText,
      timestamp: new Date().toISOString()
    }
  })()`)

  cliLog('DASHBOARD_METRICS:' + JSON.stringify(metrics))
})()
EOF

场景三：自动填表与复杂文件上传

自然语言需求：“去表单页面填写信息，邮箱写 test@example.com，标题写 ‘AI 自动化报告’，再把桌面上的 report.pdf 传上去，提交后告诉我结果。”

Codex 自动拼装运行的后台脚本：

ego-browser nodejs <<'EOF'
(async () => {
  const task = await useOrCreateTaskSpace('form-submit-task')
  await openOrReuseTab('https://example.com/upload-form', { wait: true })

  // 填入文本
  await fillInput('input[type="email"]', 'test@example.com')
  await fillInput('input[name="title"]', 'AI 自动化报告')

  // 处理文件上传组件（无需操作系统文件选择器弹窗）
  await uploadFile('input[type="file"]', '/Users/username/Desktop/report.pdf')

  // 点击提交按钮
  await click('button[type="submit"]', { label: 'Submit Form Button' })

  // 等待网络空闲及页面响应
  await waitForNetworkIdle({ timeout: 10000 })

  cliLog('SUBMIT_STATUS:' + await snapshotText())
})()
EOF

场景四：跨多轮的深度追问与多页联动研究

第一轮需求：“帮我研究下 AI Agents 架构，先搜索一下。” 底层行为：useOrCreateTaskSpace(‘agent-research’) -> 搜索并渲染页面。
第二轮需求：“点进第一个结果，看看它的核心结论。” 底层行为：useOrCreateTaskSpace(‘agent-research’) -> 获取先前标签页 -> click(‘

@1

‘) 打开详情。
第三轮需求：“接着刚才的任务，往下滑动，并把页面里的结构图截个图。” 底层行为：useOrCreateTaskSpace(‘agent-research’) -> 复用上下文 -> scrollDown() -> captureScreenshot()。

在整个 3 轮交互中，任务空间一直处于维持状态，DOM 与历史状态完全保留。

九、无缝接入 Codex 工作流

把配置成本降到最低，只需在 Codex 的全局 Prompt 或配置中加上约束。

建议将以下配置写入项目根目录的 .codex/instructions.md 或全局 AGENTS.md 提示词库中：

markdown

## 浏览器自动化准则 (ego-lite 集成)

当遇到任何网页浏览、搜索、SaaS 后台数据查阅、登录态处理需求时，必须遵循以下规则：

1. **优先选择通道**：使用 `ego-browser nodejs <<'EOF' ... EOF` 运行指令，绝不可优先调用开销大且抢占光标的重型 Computer Use 工具。
2. **任务空间声明**：所有脚本首行必须通过 `await useOrCreateTaskSpace('特定语义名称')` 初始化或复用任务空间，并在任务彻底结束时调用 `completeTaskSpace()`。
3. **工作流选择策略**：
   - **默认 (DOM 页面)**：走语义工作流，先调用 `snapshotText()`，然后通过 `@N` 或 `loc` 定位器进行交互；
   - **画布页面 (Google Docs/Sheets/Figma/Canvas)**：显式采用视觉工作流，使用 `captureScreenshot()` -> 坐标推算 -> `click([x, y])` -> `typeText()`；
   - **长文本处理**：对于过长的 DOM 树，在 JavaScript 闭包内部提取特定的子树，避免打印全量 HTML。

在实际使用中，有几个非常实用的提示词习惯：

面对超长页面，可加上：“页面很长，只看当前视口内容即可。”
面对画布应用，主动强调：“用视觉工作流，别用 DOM 输入。”
面对多轮连续任务，明确指示：“接着刚才那个任务，别开新空间。”

十、客观的边界与局限

没有任何工具是完美的，ego-lite 目前同样存在明确的边界：

操作系统支持：目前的极速安装脚本与自动化挂载对 macOS（尤其 Apple Silicon）支持最为完善，Linux 与 Windows 尚未提供开箱即用的安装包，尚需手动编译配置。
生态与 API 稳定性：由于其面向极客与 Agent 开发者，部分 CLI 拓展参数与内嵌 API 在版本快速迭代中可能发生微调，生产环境脚本建议锁定版本，并以官方最新的 SKILL.md 定义为准。
画布应用性能开销：在 Notion、Figma、Google Sheets 等强 Canvas 渲染的应用中，强制使用的“截图 + 视觉坐标”闭环，其响应流畅度自然无法与原生 DOM 操作相比。
登录态授权的安全界限：任务空间继承了真实的登录身份，相当于将门禁卡交给了 Agent。面对涉及资金交易、敏感身份重置或高风险删除操作的站点，切记谨慎授权。