AI एजेंट के लिए वेब ऑटोमेशन चलाने वाला सबसे तेज़ ब्राउज़र

ego (lite) एक ऐसा ब्राउज़र है जहां आप और आपके AI एजेंट पैरेलल में काम करते हैं। आपके एजेंट अपने Space में कई ब्राउज़र टास्क चलाते हैं जबकि आपके टैब आपके रहते हैं, और टास्क कम टोकन में तेज़ी से पूरे होते हैं।

पिछले एक साल से, हम में से कई लोग AI एजेंट को यह करवाने की कोशिश कर रहे हैं ( Claude Code, Codex, Continue) असली ब्राउज़र में असली ब्राउज़र ऑटोमेशन करने के लिए। लॉग-इन एडमिन पैनल से एक लिस्ट निकालें। वेंडर फ़ॉर्म भरें। स्टेजिंग एनवायरनमेंट में QA चलाएं। इनके लिए टूल मौजूद हैं, और फिर भी असल में यह करने का अनुभव अभी भी मुश्किल है।

ego (lite) इसे ठीक करने की हमारी कोशिश है।

ego (lite) क्या है

ego (lite), Chrome इकोसिस्टम के अंदर गहराई से बना है। Chrome जैसा ही इंजन, आपके बुकमार्क, एक्सटेंशन और लॉग-इन सेशन पूरी तरह साथ आते हुए। आपको अपने ब्राउज़ करने का तरीका बदलने की ज़रूरत नहीं। यह शुरू से ही काम करता है।

जो चीज़ इसे सच में अलग बनाती है, वह है एजेंट के लिए इसका नेटिव सपोर्ट:

• जटिल टास्क पर तेज़ रन और कम टोकन के लिए, CLI-बेस नहीं, कोड-बेस। 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।
• हर एजेंट के लिए एक अलग Space। ego (lite), हर एजेंट को उसका पूरी तरह अलग-थलग Space देता है। आप आगे ब्राउज़ करते हैं, आपका एजेंट पीछे काम करता है, और दोनों एक-दूसरे के रास्ते में नहीं आते। आप किसी भी पल देख सकते हैं कि किस Space में एजेंट चल रहा है, और जब चाहें उसे संभाल सकते हैं या रोक सकते हैं। अगर आपने Chrome में ब्रिज करने वाले agent-browser टूल इस्तेमाल किए हैं, तो आप जानते हैं हर तरफ़ विंडो और टैब उभरने की गड़बड़। ego (lite) इसे जड़ से ठीक करता है।
• आपके एजेंट Space में मल्टीटास्क करते हैं, यानी एक ही ब्राउज़र के अंदर पैरेलल वर्कस्पेस। हर Space को अपना AI एजेंट या अपना टास्क मिलता है, सब एक साथ चलते हुए। Claude Code, 10 पैरेलल Space में 10 लीड बेहतर बना रहा है। Codex, 5 और Space में 5 कॉम्पिटिटर साइट स्क्रैप कर रहा है। ये आपस में नहीं टकराते, न आपके टैब चुराते हैं। आपका माउस वहीं रहता है जहाँ आपने छोड़ा था।
• बाज़ार का सबसे दमदार पेज Snapshot। कर्नेल-स्तर की कस्टमाइज़ेशन की बदौलत, ego (lite) सबसे बेहतरीन क्वालिटी वाले पेज स्नैपशॉट बनाता है, वह टेक्स्ट व्यू जिस पर मॉडल किसी वेबपेज को "देखने" और उस पर एक्शन लेने के लिए निर्भर करते हैं। यह गहराई से नेस्टेड iframe जैसे मुश्किल मामलों को भरोसे से संभालता है, ठीक वहीं जहां बाकी तरीके लगातार टूट जाते हैं।
• कोई भी एजेंट इसे चला सकता है ego-browser. ego-browser किसी भी एजेंट प्रोडक्ट (Claude Code, Codex, Cursor, या कोई कस्टम) और ego (lite) के बीच का कनेक्शन लेयर है। यह ब्राउज़र को इन-पेज JavaScript टूल्स के एक सेट के रूप में उजागर करता है: snapshot, fill, click, wait, navigate, capture। एजेंट उन टूल्स को कॉल करने वाला एक JavaScript स्निपेट लिखता है, और ego-browser इसे पेज पर एक ही बार में चला देता है।
• अनुभव जमा होना, जो आपके एजेंट को इस्तेमाल के साथ-साथ तेज़ बनाता है (जल्द आ रहा है)। ब्राउज़र टास्क में एजेंट का ज़्यादातर समय ट्रायल-एंड-एरर में जाता है। ego (lite) की आधिकारिक Skill हर सफल एक्शन को रीयूज़ेबल टूल और वर्कफ़्लो में बदल देती है, ताकि आगे चलकर मिलते-जुलते टास्क 5 गुना तक तेज़ चलें। इसके बारे में और नीचे।

हमने ego (lite) क्यों बनाया

"क्या GUI खत्म हो रहा है" वाले सवाल पर हमारी एक राय है। GUI यहीं रहने वाला है। जो चीज़ जड़ से बदलेगी वह है इसे कौन देता है। आज हर प्लेटफ़ॉर्म अपना पहले से बना इंटरफ़ेस भेजता है। कल आपका पर्सनल एजेंट आपके लिए इसे तुरंत बना देगा।

यह भविष्य की बात है। आज की सच्चाई यह है कि एजेंट को पहले से ही बहुत सारा असली काम करना पड़ता है, और दुनिया अभी उनके लिए बनी ही नहीं है। कई सर्विस अभी भी बिना API और बिना MCP के आती हैं। जानकारी और फ़ंक्शनैलिटी GUI के अंदर बंद रहती है, इंसानी यूज़र के लिए पैक की गई। अगर आपने रिसर्च करने के लिए, या किसी SaaS टूल पर निर्भर काम आगे बढ़ाने के लिए Codex या Claude Code इस्तेमाल करने की कोशिश की है, तो आप जानते हैं इसका क्या मतलब है। एजेंट को फिर भी ब्राउज़र खोलकर इस पुरानी दुनिया से बात करनी पड़ती है।

इसलिए ज़्यादा से ज़्यादा एजेंट प्रोडक्ट खुद पर एक ब्राउज़र जोड़ रहे हैं। कुछ अपने क्लाइंट में एक छांटा हुआ ब्राउज़र एम्बेड करके भेजते हैं। कुछ एक एक्सटेंशन भेजते हैं जो आपके मौजूदा Chrome से जोड़ता है। इनमें से कोई भी ठीक से काम नहीं करता। Chrome-ब्रिज तरीका अस्थिर है: लॉग-इन सेशन कभी साथ आते हैं कभी नहीं, टैब बेवजह नई विंडो में खुल जाते हैं, हेडेड और हेडलेस मोड बेकाबू होकर बदल जाते हैं। एम्बेडेड तरीका कोई असली ब्राउज़र नहीं है, और थोड़ा भी जटिल होते ही बिखर जाता है।

इन सबके कम पड़ने की एक गहरी वजह है। ब्राउज़र कभी एजेंट के लिए डिज़ाइन ही नहीं हुआ था। Chrome, टैब, विंडो, नेविगेशन, परमिशन में हर इंटरैक्शन डिटेल एक इंसानी यूज़र के इर्द-गिर्द बनाई गई थी। किसी ने नहीं पूछा कि एक ऑटोनॉमस एजेंट इसके साथ कैसे काम करेगा। ब्रिज टूल और एम्बेडेड टूल, दोनों उस सिस्टम पर पैच हैं जिसमें कभी एजेंट के लिए जगह ही नहीं छोड़ी गई। यही समस्याओं का स्वाभाविक नतीजा है।

समस्या का बाक़ी आधा हिस्सा: इनमें से किसी भी टूल ने गंभीरता से नहीं सोचा कि एजेंट के लिए ब्राउज़र असल में कैसा होना चाहिए। ये या तो ब्राउज़र को ज़्यादा लपेटकर एजेंट को कुछ CLI कमांड थमा देते हैं, यह कम आंकते हुए कि एजेंट खुद कितना कुछ ऑर्केस्ट्रेट कर सकता है। या दूसरी तरफ़ झूल जाते हैं, रॉ प्रोटोकॉल उजागर कर देते हैं, और सारा रॉ शोर मॉडल पर डाल देते हैं।

यही वजह है कि हमने बनाया ego (lite)। हम ब्राउज़र को शुरू से नए सिरे से सोचना चाहते थे, और इसे आपके, आपके एजेंट, और वेब के बीच सबसे मुलायम कड़ी बनाना चाहते थे।

हमने ego (lite) कैसे बनाया

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

हमारा जवाब था तीन लेयर।

पहली लेयर है विज़न और एक्शन। एजेंट पेज को उसी तरह "देखता" है जैसे इंसान देखता है, फिर क्लिक करता है, टाइप करता है, स्क्रॉल करता है। यह वह बेसलाइन है जो किसी भी ब्राउज़र को एजेंट को देनी चाहिए।

दूसरी लेयर है रैप्ड मेथड कॉल। हमने वे ऑपरेशन लिए जो अक्सर आते हैं, Snapshot इनमें सबसे प्रमुख है, और उन्हें साफ़ एब्स्ट्रैक्शन दिए। हमने जानबूझकर खुद को रोका। सौ मेथड ढेर नहीं किए। मक़सद था एब्स्ट्रैक्शन को तेज़ रखना, थकाऊ नहीं।

तीसरी लेयर है ब्राउज़र की मूल क्षमताओं तक सीधी पहुंच। जब एजेंट को वाकई रॉ कंट्रोल चाहिए हो, यह मौजूद है।

तीन लेयर का मक़सद यह है कि एजेंट जो भी टास्क के लिए सही बैठे, वही चुने। एक आसान क्लिक के लिए रॉ प्रोटोकॉल कॉल की ज़रूरत नहीं। एक जटिल फ़्लो को एक ही CLI कमांड में नहीं ठूंसा जाता।

JavaScript ही क्यों, Python या Shell क्यों नहीं

CLI पर कोड को चुनना एक आर्किटेक्चरल फ़ैसला है। इसके भीतर, Python या Shell नहीं, बल्कि JavaScript ही क्यों? इसकी दो वजहें हैं।

पहली वजह है कॉग्निटिव लोड। ego (lite) पेज में जो इंजेक्ट करता है वह पहले से JavaScript ही है। अगर बैकग्राउंड में ऑर्केस्ट्रेशन कोड किसी अलग भाषा में होता, तो एजेंट को हर टास्क पर दो कॉन्टेक्स्ट के बीच सिंटैक्स बदलना पड़ता। यह बेवजह की झंझट है। पूरे टास्क में एक ही भाषा होने का मतलब है एजेंट को सिर्फ़ एक ही मोड में सोचना पड़ता है।

दूसरी वजह है एनवायरनमेंट स्थिरता। हम यह नहीं मान सकते कि हर यूज़र के पास Python इंस्टॉल है, या ऐसा शेल है जो हमारे जैसा ही व्यवहार करे। यूज़र के एनवायरनमेंट पर निर्भर रहने की बजाय, हम रनटाइम खुद साथ लाते हैं। हम ब्राउज़र के अंदर पहले से मौजूद V8 इंजन दोबारा इस्तेमाल करते हैं, बाकी Node.js को छांटते हैं, और ego (lite) के अंदर एक पूरा Node रनटाइम भेजते हैं। इंस्टॉल साइज़ सिर्फ़ 6MB बढ़ता है।

ego (lite) कितना तेज़ है?

हमने ego (lite) को Vercel के agent-browser के मुक़ाबले, चार जटिल ब्राउज़र ऑटोमेशन टास्क पर बेंचमार्क किया। ego (lite) ने हर टास्क 3.45 गुना तक तेज़ पूरा किया, काफ़ी कम टोकन के साथ।

टास्क जितना मुश्किल, फ़र्क़ उतना बड़ा।

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 ज़्यादा इस्तेमाल करें, उतना तेज़ होता जाए (जल्द आ रहा है)

हम ego (lite) की आधिकारिक Skill के अंदर एक एक्सपीरियंस-एक्युमुलेशन मेकैनिज़्म टेस्ट कर रहे हैं। हर सफल टास्क को रीयूज़ेबल टूल और वर्कफ़्लो में बदल दिया जाता है, हर डोमेन के हिसाब से स्कोप किया गया। अगली बार जब आपका एजेंट मिलता-जुलता टास्क चलाता है, यह वे टूल लोड करता है और ट्रायल-एंड-एरर छोड़ देता है।

इसका आदर्श रूप यह होता कि एजेंट टास्क चलाते हुए ही अनुभव कैप्चर कर ले। हमने पहले वही आज़माया। इवैल्यूएशन के नतीजों ने हमें पीछे धकेल दिया। जब मॉडल से एक ही रन में टास्क और एक्सपीरियंस कैप्चर, दोनों के लिए ऑप्टिमाइज़ करने को कहा जाता है, टास्क सफलता दर गिरती है और एक्ज़ीक्यूशन धीमा हो जाता है। दोनों को एक साथ अच्छे से करने की कोशिश का मतलब है किसी को भी अच्छे से न करना।

इसलिए हमने इसे दो चरणों में बांटा। एक्ज़ीक्यूशन के दौरान, एजेंट सिर्फ़ टास्क पर ध्यान देता है, और कुछ नहीं। टास्क पूरा होते ही, एक अलग एक्युमुलेशन फ़ेज़ शुरू होता है, जहां एजेंट संबंधित डॉक्स पढ़ता है और टूल व सीख जमा करता है। इस प्रोग्रेसिव-डिस्क्लोज़र तरीके ने वह स्पीडअप हासिल किया जिसकी हमें तलाश थी। जटिल टास्क पर इंटरनल टेस्ट दिखाते हैं कि दोहराए गए रन इतने तक तेज़ होते हैं 2.6× तेज पहले रन से तेज़, काफ़ी कम टोकन के साथ।

UX अभी भी वह जगह है जहां हम संतुष्ट नहीं हैं। टास्क पूरा होने के बाद, आख़िरी नतीजा आने से पहले यूज़र को एक्युमुलेशन स्टेप का इंतज़ार करना पड़ता है, और यह इंतज़ार अभी स्मूद नहीं है। हम जिस दिशा पर विचार कर रहे हैं वह है एक्युमुलेशन को यूज़र के हाथ में देना। यूज़र तय करे कि टास्क खत्म होने के बाद एक्सपीरियंस कैप्चर चलाना है या नहीं। कोई ज़बरदस्ती का इंतज़ार नहीं, और यूज़र को इस पर ज़्यादा कंट्रोल मिलता है कि उनका एजेंट कैसे बेहतर हो।

हम अभी भी इसे निखार रहे हैं, और जब यह हमारे स्टैंडर्ड पर खरा उतरेगा, तब इसे व्यापक रूप से शिप करेंगे।

हमारे स्टैक में ego (lite) का स्थान आसान है: एक ब्राउज़र जो आपके और आपके एजेंट, दोनों के लिए काम करे, इससे न कम न ज़्यादा।

ego (lite) और मौजूदा टूल में क्या फ़र्क़ है

हमारा नाम "ego" क्यों है

आजकल की संस्कृति "low ego" की तरफ़ बहुत झुकी हुई है। हमें इसका मक़सद समझ आता है। बहुत ज़्यादा "स्वयं" वाकई दूसरों को नुकसान पहुंचा सकता है। लेकिन यह रुझान अपनी हद पार कर चुका है। यह एक ऐसी बयानबाज़ी बन गया है जो आत्म-दमन को एक गुण की तरह पेश करता है, और लोगों को एक बड़ी मशीन के पुर्ज़े में बदल देता है।

जैसे-जैसे AI ज़्यादा से ज़्यादा काम संभालता जाता है, हम उल्टा सोचते हैं। यही वह समय है दोबारा देखने का कि "स्वयं" की क़ीमत क्या है। टूल जितना मज़बूत होता जाता है, उसके पीछे की इंसानी समझ, व्यक्तित्व और स्वतंत्र सोच उतनी ही ज़्यादा क़ीमती हो जाती है। इन्हें पतला नहीं करना चाहिए। इन्हें और बढ़ाना चाहिए।

असली ख़तरा यह नहीं कि कंप्यूटर इंसान की तरह सोचने लगेंगे, बल्कि यह कि इंसान कंप्यूटर की तरह सोचने लगेंगे।

इसलिए हमने इसे नाम दिया ego. यह स्वार्थी बनने का आह्वान नहीं है। यह इस बात पर दांव है कि आपकी सहज बुद्धि, आपकी पहचान और आपका अपना निर्णय शुरू से ही सुरक्षित रखने लायक हैं।

ego (lite) में "lite" का मतलब है यह ego का पूरा रूप नहीं है। ego का एक पूरा वर्शन भी है, जिसमें एक पर्सनल एजेंट, एक क्लाउड सैंडबॉक्स एनवायरनमेंट, ब्राउज़र से आगे सिस्टम-स्तर की क्षमताएं, और एक मेमोरी सिस्टम है। हम दोनों को अलग-अलग प्रोडक्ट के तौर पर भेजते हैं।

आज़माएं

ego (lite) आज macOS पर फ़्री है। Windows और Linux रोडमैप में हैं। सभी ब्राउज़र एक्शन आपके अपने एजेंट से चलते हैं, हमारे सर्वर से नहीं। यही वजह है कि हम ego (lite) को इंडिविजुअल यूज़र के लिए फ़्री रख पाते हैं।

• डाउनलोड करें .dmg.

ऑनबोर्डिंग आपसे बस एक सवाल पूछती है (क्या आप अपना Chrome डेटा माइग्रेट करना चाहते हैं) और बाकी सब खुद संभाल लेती है।

अगर आप किसी AI एजेंट को असली ब्राउज़र से जोड़ने की कोशिश में परेशान हो चुके हैं, तो जाकर ego (lite) आज़माएं, यह आपको निराश नहीं करेगा।

याद रखने लायक एक आख़िरी बात: ego (lite), आपके एजेंट को असली ब्राउज़र-ऑपरेशन क्षमताएं देता है — पेज कॉन्टेंट पढ़ना और असली एक्शन चलाना, दोनों — इसलिए ध्यान रखें कि जिस एजेंट को आप इसे चलाने दें, वह किसी भरोसेमंद सोर्स से हो।