एजेंट के लिए सबसे तेज़ वेब ऑटोमेशन ब्राउज़र

ego (lite) ऐसा ब्राउज़र है जहाँ आप और आपके AI एजेंट समानांतर काम करते हैं। आपके टैब आपके पास रहते हैं, जबकि एजेंट अपने अलग Spaces में कई ब्राउज़र काम चलाते हैं और कम टोकन में उन्हें तेज़ी से पूरा करते हैं।

पिछले वर्ष से, हममें से बहुत से लोग AI एजेंट प्राप्त करने का प्रयास कर रहे हैं ( Claude Code, Codex, Continue) एक वास्तविक ब्राउज़र में वास्तविक ब्राउज़र स्वचालन करने के लिए। लॉग-इन व्यवस्थापक पैनल से एक सूची निकालें। विक्रेता प्रपत्र भरें. स्टेजिंग परिवेश में QA चलाएँ। इनके लिए उपकरण मौजूद हैं, और फिर भी वास्तव में इसे करने का अनुभव कठिन है।

ego (lite) उसी समस्या को हल करने की हमारी कोशिश है।

ego (lite) क्या है

ego (lite) Chrome इकोसिस्टम के भीतर गहराई से बना है। इसमें Chrome वाला ही इंजन है और आपके बुकमार्क, एक्सटेंशन तथा लॉग-इन सेशन पूरी तरह साथ आ जाते हैं। आपको ब्राउज़ करने का तरीका बदलने की ज़रूरत नहीं; यह तुरंत काम करता है।

जो चीज़ वास्तव में इसे अलग करती है वह एजेंट के लिए इसका मूल समर्थन है:

• जटिल कार्यों पर कम टोकन के साथ तेजी से चलने के लिए कोड आधार, सीएलआई आधार नहीं। ego (lite) एजेंट को जो क्षमताएँ देता है, वे JavaScript functions के रूप में wrapped हैं जिन्हें एजेंट सीधे call करता है। इससे एजेंट वही कर सकता है जिसमें वह सबसे अच्छा है: code लिखना और कई चरणों वाले task को एक ही execution में जोड़ना, बजाय इसके कि वह “दो commands चलाओ, result देखो, फिर दो और चलाओ” वाले loop में फँस जाए। पारंपरिक CLI approach की तुलना में complex workflows 20–50% तेज़ पूरे होते हैं, task success rate बेहतर रहती है और हर task में tool calls बहुत कम लगते हैं। Vercel के agent-browser के विरुद्ध हमारे internal benchmarks में भी यही pattern दिखता है: workflow जितना कठिन होता है, अंतर उतना ही बड़ा होता है।
• प्रत्येक एजेंट के लिए एक समर्पित Space। ego (lite) हर एजेंट को पूरी तरह अलग Space देता है। आप सामने ब्राउज़ करते हैं, एजेंट पृष्ठभूमि में काम करता है और दोनों एक-दूसरे के रास्ते में नहीं आते। आप कभी भी देख सकते हैं कि किस Space में एजेंट चल रहा है और चाहें तो नियंत्रण ले सकते हैं या उसे रोक सकते हैं। यदि आपने Chrome से जुड़ने वाले agent-browser टूल इस्तेमाल किए हैं, तो आप हर ओर खुलती विंडो और टैब की अव्यवस्था जानते हैं। ego (lite) इस समस्या को जड़ से हल करता है।
• आपके एजेंट एक ही ब्राउज़र के अंदर Spaces, समानांतर कार्यSpaces में मल्टीटास्क करते हैं। प्रत्येक Spaces को अपना स्वयं का AI एजेंट या अपना स्वयं का कार्य मिलता है, जो सभी एक ही समय में चलते हैं। Claude Code 10 समानांतर Spaces में 10 लीड को समृद्ध करना। Codex 5 प्रतिस्पर्धी साइटों को 5 और में स्क्रैप करना। वे आपके टैब से टकराते या चुराते नहीं हैं। आपका माउस वहीं रहता है जहां आपने उसे छोड़ा था।
• बाज़ार का सबसे शक्तिशाली पेज Snapshot। कर्नेल-स्तर के अनुकूलन की वजह से ego (lite) बहुत उच्च गुणवत्ता वाले पेज Snapshots बनाता है—वही दृश्य जिन पर टेक्स्ट मॉडल किसी वेबपेज को “देखने” और उस पर काम करने के लिए निर्भर करते हैं। यह गहराई से नेस्ट किए गए iframe जैसे कठिन मामलों को भी भरोसेमंद ढंग से संभालता है, जहाँ दूसरे तरीके अक्सर विफल होते हैं।
• कोई भी एजेंट इसे चला सकता है ego-browser. ego-browser किसी भी एजेंट CLI—Claude Code, Codex, Cursor या कस्टम CLI—और ego (lite) के बीच की कनेक्शन परत है। यह ब्राउज़र को पेज के अंदर चलने वाले JavaScript टूल के रूप में उपलब्ध कराता है: snapshot, fill, click, wait, navigate और capture। एजेंट इन टूल को कॉल करने वाला JavaScript स्निपेट लिखता है और ego-browser उसे पेज पर एक ही पास में चलाता है।
• अनुभव संचय जो आपके एजेंट को जितना अधिक आप इसका उपयोग करते हैं उतना तेज़ बनाता है (जल्द ही आ रहा है)। ब्राउज़र कामों में एजेंट का अधिकांश समय कोशिश और गलती में जाता है। ego (lite) की आधिकारिक Skill हर सफल कार्रवाई को दोबारा इस्तेमाल होने वाले टूल और वर्कफ़्लो में बदलती है, जिससे आगे के समान काम 5 गुना तक तेज़ हो सकते हैं। इसके बारे में आगे और पढ़ें।

हमने ego (lite) क्यों बनाया

"क्या जीयूआई ख़त्म हो रहा है" प्रश्न पर हमारा एक दृष्टिकोण है। जीयूआई यहाँ रहने के लिए है। मूल रूप से जो बदलने वाला है वह यह है कि इसे कौन प्रदान करता है। आज प्रत्येक प्लेटफ़ॉर्म अपना पूर्व-निर्मित इंटरफ़ेस शिप करता है। कल आपका निजी एजेंट तुरंत आपके लिए एक तैयार कर देगा।

यही भविष्य है. आज वास्तविकता यह है कि एजेंट को पहले से ही बहुत सारे वास्तविक काम करने होते हैं, और दुनिया अभी तक उनके लिए नहीं बनी है। बहुत सारी सेवाएँ अभी भी न एपीआई और न एमसीपी शिप करती हैं। सूचना और कार्यक्षमता जीयूआई के अंदर बंद रहती है, जो मानव उपयोगकर्ता के लिए पैक की जाती है। यदि आपने शोध करने के लिए, या SaaS टूल पर निर्भर काम को आगे बढ़ाने के लिए Codex या Claude Code का उपयोग करने का प्रयास किया है, तो आप जानते हैं कि इसका क्या मतलब है। एजेंट को अभी भी एक ब्राउज़र खोलना होगा और इस पुरानी दुनिया से बात करनी होगी।

इसलिए अधिक से अधिक एजेंट उत्पाद ब्राउज़र को अपने ऊपर लाद रहे हैं। कुछ लोग क्लाइंट में एम्बेडेड एक स्ट्रिप्ड-डाउन ब्राउज़र भेजते हैं। अन्य लोग एक एक्सटेंशन भेजते हैं जो आपके मौजूदा Chrome में जुड़ जाता है। उनमें से कोई भी पर्याप्त रूप से अच्छा काम नहीं करता। Chrome-ब्रिज दृष्टिकोण अस्थिर है: लॉग-इन सत्र कभी-कभी चलते हैं और अन्य नहीं, टैब बिना किसी कारण के नए windows में पॉप हो जाते हैं, हेडेड और हेडलेस मोड नियंत्रण से बाहर हो जाते हैं। एम्बेडेड दृष्टिकोण एक वास्तविक ब्राउज़र नहीं है, और यह किसी भी जटिल चीज़ पर टूट जाता है।

इन सभी के असफल होने का एक गहरा कारण है। ब्राउज़र को कभी भी किसी एजेंट के लिए डिज़ाइन नहीं किया गया था। Chrome, टैब, windows, नेविगेशन, अनुमतियों में प्रत्येक इंटरैक्शन विवरण एक मानव उपयोगकर्ता के आसपास बनाया गया था। किसी ने नहीं पूछा कि एक स्वायत्त एजेंट इसके साथ कैसे काम करेगा। ब्रिज टूल्स और एम्बेडेड टूल्स दोनों एक सिस्टम पर पैच हैं जो कभी भी एजेंट के लिए जगह नहीं छोड़ते हैं। समस्याएँ स्वाभाविक परिणाम हैं।

समस्या का दूसरा भाग: इनमें से किसी भी उपकरण ने इस बारे में गंभीरता से नहीं सोचा है कि किसी एजेंट के लिए ब्राउज़र वास्तव में कैसा होना चाहिए। वे ब्राउज़र को ओवर-रैप करते हैं और एजेंट को कुछ सीएलआई कमांड सौंप देते हैं, यह कम आंकते हुए कि एक एजेंट अपने आप क्या व्यवस्थित कर सकता है। या वे दूसरे तरीके से स्विंग करते हैं, कच्चे प्रोटोकॉल को उजागर करते हैं, और सभी कच्चे शोर को मॉडल पर डंप करते हैं।

इसीलिए हमने ego (lite) बनाया। हम ब्राउज़र पर नए सिरे से विचार करके उसे आपके, आपके एजेंट और वेब के बीच सबसे सहज कड़ी बनाना चाहते थे।

हमने ego (lite) कैसे बनाया

कोई भी कोड लिखने से पहले, हमें एक प्रश्न का समाधान करना था: एक एजेंट को ब्राउज़र के साथ कैसे इंटरैक्ट करना चाहिए?

हमारा उत्तर तीन परतें था।

पहली परत है दृष्टि और क्रिया। एजेंट पेज को उसी तरह "देखता" है जैसे कोई इंसान देखता है, फिर क्लिक करता है, टाइप करता है, स्क्रॉल करता है। यह वह आधार रेखा है जो किसी भी ब्राउज़र को एक एजेंट को देनी चाहिए।

दूसरी परत रैप किए गए मेथड कॉल की है। हमने बार-बार आने वाले ऑपरेशनों—जिनमें Snapshot प्रमुख उदाहरण है—को स्पष्ट एब्स्ट्रैक्शन दिया। हमने जानबूझकर सौ मेथड नहीं जोड़े; लक्ष्य एब्स्ट्रैक्शन को सटीक रखना था, हर चीज़ समेटना नहीं।

तीसरी परत ब्राउज़र की अंतर्निहित क्षमताओं तक सीधी पहुंच है। जब एजेंट को वास्तव में कच्चे नियंत्रण की आवश्यकता होती है, तो यह वहां होता है।

तीन परतों का मुद्दा यह है कि एजेंट वही चुनता है जो कार्य के लिए उपयुक्त हो। एक साधारण क्लिक के लिए रॉ प्रोटोकॉल कॉल की आवश्यकता नहीं होती है। एक जटिल प्रवाह को एकल सीएलआई कमांड में निचोड़ा नहीं जाता है।

क्यों JavaScript, पायथन या शेल नहीं

सीएलआई पर कोड वास्तुशिल्प विकल्प है। उसके भीतर, क्यों JavaScript और पायथन या शेल नहीं? दो कारणों ने इसे आगे बढ़ाया।

पहला कारण संज्ञानात्मक भार है। ego (lite) पेज में जो डालता है वह पहले से JavaScript है। यदि पृष्ठभूमि का ऑर्केस्ट्रेशन कोड किसी दूसरी भाषा में होता, तो एजेंट को हर काम में दो संदर्भों के बीच सिंटैक्स बदलना पड़ता। यह अनावश्यक रुकावट है। पूरे काम में एक ही भाषा होने से एजेंट को केवल एक तरीके से सोचना पड़ता है।

दूसरा कारण वातावरण की स्थिरता है। हम यह नहीं मान सकते कि हर उपयोगकर्ता के पास Python इंस्टॉल है या उसका shell हमारे जैसा व्यवहार करता है। उपयोगकर्ता के वातावरण पर निर्भर रहने के बजाय हम runtime साथ लाते हैं। ब्राउज़र में मौजूद V8 इंजन का दोबारा उपयोग करके, बाकी Node.js को हल्का करके, हम ego (lite) में पूरा Node runtime देते हैं। इंस्टॉल का आकार केवल 6 MB बढ़ता है।

ego (lite) कितना तेज़ है?

हमने चार जटिल ब्राउज़र ऑटोमेशन कामों पर ego (lite) की तुलना Vercel के agent-browser से की। ego (lite) ने हर काम 3.45 गुना तक तेज़ और काफी कम टोकन में पूरा किया।

कार्य जितना कठिन होगा, अंतर उतना ही बड़ा होगा।

दो डिज़ाइन निर्णयों ने अंतर पैदा किया। पहला, ऊपर दिया गया तीन-स्तरीय JavaScript इंटरैक्शन: एजेंट एक-एक CLI कॉल जोड़ने के बजाय एक स्निपेट में कई क्रियाएँ चलाता है। दूसरा, हमारे कस्टम Chromium इंजन के भीतर बना कर्नेल-स्तरीय Snapshot, जो क्रॉस-ओरिजिन iframe, Shadow DOM और उन तृतीय-पक्ष SDK विजेट तक पहुँचता है जिन्हें JavaScript-आधारित snapshotters चुपचाप छोड़ देते हैं।

जितना अधिक आप इसका उपयोग करेंगे, यह उतना ही तेज़ होता जाएगा (जल्द ही आ रहा है)

हम ego (lite) की आधिकारिक Skill में अनुभव इकट्ठा करने की व्यवस्था जाँच रहे हैं। हर सफल काम को डोमेन के अनुसार दोबारा इस्तेमाल होने वाले टूल और वर्कफ़्लो में बदला जाता है। अगली बार समान काम करने पर आपका एजेंट वे टूल लोड करके कोशिश और गलती वाले चरण छोड़ देता है।

इसका आदर्श संस्करण कार्य चलाते समय एजेंट द्वारा अनुभव प्राप्त करना होगा। हमने पहले यह कोशिश की. मूल्यांकन परिणामों ने हमें पीछे धकेल दिया। जब मॉडल को एक ही समय में कार्य और अनुभव कैप्चर दोनों के लिए अनुकूलन करने के लिए कहा जाता है, तो कार्य की सफलता दर कम हो जाती है और निष्पादन धीमा हो जाता है। दोनों को एक साथ अच्छा करने का प्रयास करने का अर्थ है कुछ भी अच्छा नहीं करना।

इसलिए हमने इसे दो चरणों में विभाजित किया। निष्पादन के दौरान, एजेंट कार्य पर ध्यान केंद्रित करता है और कुछ और नहीं करता है। एक बार कार्य पूरा हो जाने के बाद, एक अलग संचय चरण शुरू होता है, जहां एजेंट प्रासंगिक दस्तावेज़ पढ़ता है और उपकरण और पाठ बनाता है। इस प्रगतिशील प्रकटीकरण दृष्टिकोण ने उस गति को प्रभावित किया है जिसकी हम तलाश कर रहे थे। जटिल कार्यों पर आंतरिक परीक्षणों से पता चलता है कि बार-बार चलना संभव है 2.6× तेज पहले रन की तुलना में, काफी कम टोकन के साथ।

यूएक्स अभी भी वहीं है जहां हम खुश नहीं हैं। कार्य समाप्त होने के बाद, उपयोगकर्ता को अंतिम परिणाम आने से पहले संचय चरण की प्रतीक्षा करनी होगी, और वह प्रतीक्षा अभी तक आसान नहीं है। एक दिशा जिस पर हम विचार कर रहे हैं वह है संचय को उपयोगकर्ता के हाथों में सौंपना। उपयोगकर्ता को यह तय करने दें कि कार्य समाप्त होने के बाद अनुभव कैप्चर को सक्रिय करना है या नहीं। कोई ज़बरदस्ती प्रतीक्षा नहीं, और उपयोगकर्ता को इस पर अधिक नियंत्रण मिलता है कि उनका एजेंट कैसे बढ़ता है।

हम अभी भी इसे निखार रहे हैं, और एक बार जब यह मानक स्तर पर पहुंच जाएगा तो हम इसे व्यापक रूप से शिप करेंगे।

हमारे स्टैक में ego (lite) की भूमिका सरल है: ऐसा ब्राउज़र जो आपके और आपके एजेंट दोनों के लिए काम करे—न उससे अधिक, न कम।

ego (lite) और मौजूदा tools में क्या अंतर है?

हमें "ego" क्यों कहा जाता है

आधुनिक संस्कृति बहुत हद तक "कम अहंकार" पर टिकी हुई है। हमें इरादा समझ में आ गया. बहुत अधिक स्वार्थ वास्तव में अन्य लोगों को चोट पहुँचा सकता है। लेकिन यह प्रवृत्ति हद से आगे बढ़ गई है। यह एक प्रकार की बयानबाजी बन गई है जो आत्म-दमन को एक गुण के रूप में पेश करती है, और लोगों को एक बहुत बड़ी मशीन में पीस देती है।

जैसे-जैसे एआई अधिक से अधिक काम लेता है, हम इसके विपरीत सोचते हैं। यह एक बार फिर यह देखने का समय है कि "स्वयं" का मूल्य क्या है। उपकरण जितना मजबूत होता जाता है, उसके पीछे मानवीय निर्णय, व्यक्तित्व और स्वतंत्र सोच उतनी ही अधिक मूल्यवान हो जाती है। उन्हें पतला नहीं किया जाना चाहिए. उन्हें बढ़ाया जाना चाहिए.

वास्तविक ख़तरा यह नहीं है कि कंप्यूटर मनुष्यों की तरह सोचना शुरू कर देंगे, बल्कि यह है कि मनुष्य कंप्यूटर की तरह सोचने लगेंगे।

इसलिए हमने इसे बुलाया ego. स्वार्थी होने का आह्वान नहीं. शर्त यह है कि आपका अंतर्ज्ञान, आपकी पहचान और आपका अपना निर्णय सबसे पहले सुरक्षा के लायक है।

ego (lite) का “lite” बताता है कि यह पूरा ego नहीं है। ego के पूर्ण संस्करण में निजी एजेंट, क्लाउड sandbox, ब्राउज़र से आगे की सिस्टम-स्तरीय क्षमताएँ और मेमोरी सिस्टम शामिल हैं। हम दोनों को अलग उत्पादों के रूप में उपलब्ध कराते हैं।

इसे आज़माएं

आज ego (lite) macOS पर मुफ़्त है; Windows और Linux रोडमैप में हैं। ब्राउज़र की सभी कार्रवाइयाँ आपके अपने एजेंट से चलती हैं, हमारे सर्वर से नहीं। इसी वजह से हम ego (lite) को व्यक्तिगत उपयोग के लिए मुफ़्त रख सकते हैं।

• डाउनलोड करें .dmg.

ऑनबोर्डिंग आपसे एक प्रश्न पूछता है (क्या आपके Chrome डेटा को माइग्रेट करना है) और बाकी को संभालता है।

यदि किसी AI एजेंट को वास्तविक ब्राउज़र से जोड़ना आपको परेशान करता रहा है, तो ego (lite) आज़माएँ—यह आपको निराश नहीं करेगा।

एक आखिरी बात याद रखें: ego (lite) आपके एजेंट को ब्राउज़र चलाने की वास्तविक क्षमता देता है—पेज की सामग्री पढ़ना और सचमुच कार्रवाइयाँ करना, दोनों। इसलिए इसे चलाने की अनुमति केवल भरोसेमंद स्रोत के एजेंट को दें।