RPA 的下一站：从"录脚本"到"听人话"——ego-lite 如何从底层重构浏览器自动化

RPA 的老问题

从当下各类Agent大行其道的今天，我们来回看RPA（Robotic Process Automation）这个行业存在的问题：上线容易，维护难。

原来我们用 UiPath、Automation Anywhere、Power Automate 拖了个流程——录屏、选元素、设条件、跑起来，演示的时候很漂亮。但可能过段时间：

• 页面改了个按钮位置，XPath 断了，流程挂了
• 系统升级换了登录方式，硬编码的密码失效了
• 弹了个验证码，脚本不知道怎么处理，卡死了
• 两个流程要同时跑，但 RPA 要独占浏览器，只能排队

RPA 的维护成本通常是开发成本的 3-5 倍。Gartner 的数据：企业 RPA 项目平均 18 个月生命周期，60% 的项目在第二年因为维护成本过高被弃用。

根因只有一个：传统 RPA 是"录脚本"，不是"理解任务"。

它不知道自己在做什么——它只知道"点击坐标 (420, 360)"或"找到 XPath //div[@class='submit-btn']"。页面一变，脚本就瞎了。

ego：从底层重新设计"AI + 浏览器"的关系

ego-lite（ego browser）是一个基于 Chromium 内核的浏览器（其实和Chrome差不多），从底层为 AI Agent 原生设计。不是"在现有浏览器上套一层自动化 API"，而是重新思考了 AI 和浏览器应该怎么协作。

它的核心架构有三个关键设计：

1. TaskSpace：AI 和人类共存，不再"占机器"

传统 RPA 的运行模式是独占——脚本跑起来，人就不能用那台机器了。所以企业要专门准备"RPA 机器人电脑"，锁在机房里，跑定时任务。

ego-lite 的 TaskSpace 是隔离空间：AI Agent 在自己的空间里操作，有自己的标签页，但跟人类的浏览器窗口完全隔离。Agent 在跑任务，人同时在同一个浏览器里看邮件、写文档，互不干扰。

这意味着：我们不再需要"RPA 专用机"了。AI Agent 就在你日常用的浏览器里工作，你继续用你的。

2. 复用登录态：告别密码硬编码

传统 RPA 处理认证有三种方式：

1. 硬编码密码——安全噩梦，密码改了脚本就挂 

2. Credential Vault——多了一层基础设施，运维成本高 

3. SSO 集成——不是所有系统都支持

ego-browser 的方案更优雅：Agent 直接继承用户当前的登录态。

你登录了OA、ERP、CRM——Agent 在 TaskSpace 里打开同样的网站，自动带着你的 session。不需要单独登录，不需要存密码，不需要 vault。

这是"人机共存"架构的自然结果：Agent 跟你共享浏览器实例，自然共享登录态。

3. 三层感知：语义 + 视觉 + DOM，页面改了也不怕

这是 ego-browser 对 RPA 最大的变革——从"选元素"到"理解页面"。

传统 RPA 只有一层感知：CSS 选择器或 XPath。页面改了，选择器失效，流程就挂。

ego-lite 提供三层感知能力：

第一层：语义树（snapshotText()）

不是原始 DOM，是经过语义化处理的页面结构树——带 [ref=N, loc=...] 标注。AI Agent 能"读懂"页面：这是登录按钮、那是搜索框、这里是数据表格。即使按钮从页面左边移到右边，语义不变，Agent 仍然能找到它。

第二层：视觉截图（captureScreenshot()）

当语义树不够用——比如 Canvas 应用、富文本编辑器、地图——Agent 可以截图，用视觉理解来定位和操作。这是传统 RPA 完全没有的能力。

第三层：DOM/CDP（js() / cdp()）

需要精确控制时，直接调 Chrome DevTools Protocol。这是最底层的能力，等价于 Puppeteer/Playwright，但不需要额外装依赖。

三层容错：语义找不到就用视觉，视觉搞不定就上 CDP。传统 RPA 只有一条路，断了就死；ego-lite 有三条路，页面怎么改都能继续工作。

人机交接：RPA 遇到异常不再"死等"

传统 RPA 最怕的就是"意外弹窗"——验证码、二次确认、权限申请、错误提示。脚本不知道怎么处理，要么超时报错，要么死循环等待。

ego-browser 的 handOffTaskSpace / takeOverTaskSpace 机制解决了这个问题：

1. Agent 遇到无法自动处理的情况（验证码、人脸识别、手动审批）

 2. 调用 handOffTaskSpace，把控制权交给人类 

3. 人类在浏览器里手动处理 4. 处理完，人类说"继续" 

5. Agent 调用 takeOverTaskSpace，接回控制权，继续执行

这不是"异常退出"，是"人机协作"。

Agent 知道自己能力的边界，到了边界就把活交给人类，人类处理完它再接手。

这是传统 RPA 做不到的——传统 RPA 的异常处理是 try-catch，要么重试要么放弃。

ego-lite 的异常处理是把人拉进来。

从"录脚本"到"说人话"

传统 RPA 的开发流程：

1. 业务分析师写流程文档 

2. RPA 开发者根据文档拖拽/编码 

3. 测试、调试、上线 

4. 维护、修选择器、改逻辑

周期：2-6 周。

ego-lite + AI Agent 的流程：

1. 用户说："帮我在OA里把上周的会议纪要整理成任务，分配给参会人" 

2. Agent 理解意图，打开OA，找到会议纪要 

3. Agent 读取内容，提取待办事项 

4. Agent 在系统任务里创建任务，分配给对应的人 

5. 遇到验证码？交给用户处理。

处理完继续。

周期：几分钟。

关键区别：传统 RPA 是"先写脚本再执行"，ego-lite 是"先理解任务再操作"。脚本写死了流程，Agent 理解了意图。意图不变，页面怎么变 Agent 都能适应。

技术架构：为什么是 Chromium 原生？

ego-lite 不是在 Selenium/Playwright 上包了一层——它是Chromium 原生。

这意味着：

• 不需要 WebDriver
  Selenium 需要 chromedriver，Playwright 需要自带的 browser binariy。
• ego-lite 直接内嵌 Chromium，Agent 通过 CDP（Chrome DevTools Protocol）控制浏览器
• 不需要额外进程
  传统 RPA 架构是"RPA 平台 → WebDriver → 浏览器"，三层。
• ego-browser 是"Agent → CDP → 浏览器"，两层。
• 少一层 = 少一个故障点
• 完整的浏览器能力
  不是"自动化子集"，是完整浏览器。
• Agent 可以做任何人类能做的事——拖拽、上传文件、处理弹窗、操作 Canvas

Node.js runtime 内置：Agent 通过 ego-browser nodejs <<'EOF' ... EOF 直接在终端里写脚本控制浏览器。不需要创建 .js 文件，不需要 npm install，不需要项目脚手架。一个 heredoc 就是一个完整的浏览器自动化任务。

对 RPA 行业意味着什么

短期：RPA 维护成本断崖式下降

传统 RPA 60% 的维护工作量来自"选择器失效"。

ego-lite 的三层感知 + 语义理解，把这个问题从根本上消解了。

页面改版不再意味着 RPA 流程要重写。

中期：RPA 开发门槛归零

传统 RPA 需要"RPA 开发者"这个角色——懂业务流程、会拖组件、能写表达式。

ego-lite + AI Agent 时代，业务人员自己说需求，Agent 自己执行。

未来"RPA 开发者"也可能会像"当年的Flash 开发者"一样消失。

长期：RPA 从"自动化"变成"智能化"

传统 RPA 是规则驱动的自动化——if-else、循环、异常处理，本质是编程。

ego 驱动的 RPA 是意图驱动的智能化——理解任务、适应变化、人机协作，本质是 AI。

这已经不是升级了，而是一次彻彻底底的底层革命。

芯知解读

ego-lite 做了一件很"有趣"的事：它并没有去优化任何脚本的编写体验（比如像 UiPath 那样做更花哨的低代码编辑器），而是从底层重新定义了 AI 和浏览器的关系。

TaskSpace 隔离、登录态复用、三层感知、人机交接——每一个设计都不是"给 RPA 加个功能"，而是"换一个底层假设"：

• 传统 RPA 假设：页面是稳定的，选择器是可靠的，流程是确定的
• ego假设：页面会变，选择器会失效，流程会有意外——所以需要理解而不是录制

这个底层假设的切换，才是 ego对 RPA 行业真正的价值。

如何选择：

1. ego-lite 目前是 macOS only（安装脚本只支持 macOS），前段时间我也是跟ego的创始人@敖特深入的聊了好长时间，据他透漏Windows版本已经在路上估计很快会面世，Linux版本也在计划内。后面如果大家对ego感兴趣的话，我们会安排一个对敖特总的专访，听他来亲自讲讲ego。言归正传对于RPA 生产的主战场在很长一段时间内还是企业 Windows 环境，这是硬约束，所以如何决策就要看自身了。

2. AI Agent 的可靠性还没到"无人值守"的程度——人机交接机制本身就是对这一点的承认。真正无人值守的 RPA 场景（夜间批处理、大规模数据录入），ego-lite 目前还无法100%的替代传统方案，所以这点上大家也需要注意。

3. 语义理解依赖 AI 模型能力——模型理解错了，Agent 操作就错了。传统 RPA 虽然笨，但至少是"确定性地笨"。不过随着模型能力和Harness能力的不断提升，这可能也不再是问题。

所以我坚定的认为 ego 代表了的正确方向——从"录制回放"到"理解执行"。但今天它更适合有人值守的、灵活的、需要适应页面变化的场景，而不是传统"无人值守批处理"场景。

两者可能会长期共存，但趋势是明确的：智能化的浪潮已经滚滚而来，而且浪会越来越大。

项目地址：lite.ego.app（浏览器直接访问） 

安装：macOS 下载一键安装，或者homebrew安装

协议：闭源免费（浏览器本体），Skill 层开源