OpenAI Atlas: 用于 AI 驱动浏览的 OWL 架构

OpenAI 开发了 OWL（OpenAI 的 Web 层），这是一个新的架构层，它将 Chromium 运行时与主应用进程分离，以驱动 Atlas 浏览器。这种解耦使 Atlas 能够将 Chromium 的网页兼容性与基于 SwiftUI 和 AppKit 构建的高性能原生 UI 相结合，同时为具备代理能力的 AI 浏览提供坚实的基础。

OWL 架构：将 Chromium 与应用解耦

为了避免标准 Chromium 启动序列和线程模型的限制，OpenAI 开发了 OWL，以将 Chromium 浏览器进程作为隔离的服务层运行在主 Atlas 应用进程之外。此举将浏览器引擎移至独立进程，类似于 Chromium 隔离标签页的方式，但应用于应用级别。

此架构提供了几项技术优势：

• 原生 UI 性能： Atlas 使用 SwiftUI、AppKit 和 Metal 构建，使得可以实现仅通过重新皮肤 Chromium UX 难以达到的丰富动画和视觉效果。
• 加速启动： 由于 Chromium 在后台异步启动，Atlas UI 能够几乎瞬间将像素渲染到屏幕上，无需等待引擎初始化。
• 提高稳定性： 通过隔离引擎，即使 Chromium 主线程挂起或进程崩溃，Atlas 仍能保持运行。
• 开发速度： 大多数工程师可以将 OWL 作为预构建二进制文件使用，从而将构建时间从数小时缩短到数分钟，并使新团队成员能够在第一天就合并更改。
• 简化维护： 与上游 Chromium 源代码相比的差异更小，这使得集成新版本引擎变得更加容易。

技术实现与通信

Atlas 作为 OWL 客户端 运行，而 Chromium 浏览器进程则充当 OWL 主机。两者之间的通信通过 Mojo 进行，这是 Chromium 的内部消息传递系统，使用自定义的 Swift 和 TypeScript 绑定。

API 和服务层

OWL 客户端库提供一个 Swift API，用于抽象以下主机端概念：

• 会话： 主机的全局配置和控制。
• 配置文件： 特定用户配置文件的浏览器状态管理。
• WebView： 对单个网页内容的控制，包括导航、缩放和输入。
• WebContentRenderer： 输入事件转发和渲染器反馈的管理。
• LayerHost/Client： UI 与 Chromium 之间的合成信息交换。

渲染管道

Atlas 使用委托渲染模型将像素投射到进程边界。WebView 被交换到一个共享的合成容器中。在 Chromium 侧，此容器是一个由 CALayer 支撑的 gfx::AcceleratedWidget。Atlas 通过 NSView 使用私有的 CALayerHost API 将此层嵌入。

此相同技术也用于将 Chromium 的原生 Views UI（如权限提示）和独立的弹出窗口小部件（如颜色选择器或 <select> 下拉菜单）投射到 Atlas 界面中。

输入事件处理

由于 Chromium 在隐藏进程中运行，Atlas Swift 客户端库在将事件转发给 Chromium 之前，会将 macOS NSEvents 转换为 Blink 的 WebInputEvent 模型。如果页面未处理某个事件，则会将其返回给客户端，客户端会将其重新合成为 NSEvent，以供应用其余部分处理。

对代理浏览的支持

OWL 包含特定的优化，以支持 “代理模式”，在这种模式下，AI 模型与网页进行交互：

• AI 的视觉合成： 为了为 AI 模型提供单个连贯的屏幕图像，Atlas 会将独立的弹出窗口（如下拉菜单）在正确坐标处合成回主页面图像。
• 沙盒输入： 由代理生成的事件会直接路由到渲染器，绕过特权浏览器层。这可以防止 AI 合成可能触发与网页内容无关的浏览器级操作的键盘快捷键。
• 隔离存储： 代理会话可以使用 Chromium 的 StoragePartition 基础设施在临时的 “已登出” 上下文中运行。这会创建隔离的、内存中的 Cookie 和站点数据存储，这些存储在会话结束时会被丢弃，从而允许多个隔离的代理会话在不同标签页中同时运行。