OpenAI Atlas: 用於 AI 驅動瀏覽的 OWL 架構

OpenAI 開發了 OWL (OpenAI's Web Layer)，這是一個全新的架構層，將 Chromium 運行時與主應用程式進程分離，為 Atlas 瀏覽器提供動力。這種解耦設計讓 Atlas 能夠結合 Chromium 的網頁相容性，以及使用 SwiftUI 和 AppKit 构建的高性能原生 UI，同時為代理型 (agentic) AI 瀏覽提供穩固的基礎。

OWL 架構：將 Chromium 與應用程式解耦

為了避免標準 Chromium 啟動序列和執行緒模型的限制，OpenAI 開發了 OWL，將 Chromium 瀏覽器進程作為一個獨立的服務層，運行在 Atlas 主應用程式進程之外。這種轉變將瀏覽器引擎移至獨立進程，類似於 Chromium 隔離分頁的方式，但是在應用程式層級進行。

這種架構提供了幾個技術優勢：

  • 原生 UI 效能： Atlas 使用 SwiftUI、AppKit 和 Metal 构建，能夠實現僅靠重新設計 Chromium UX 所難以達到的豐富動畫和視覺效果。
  • 加速啟動： 由於 Chromium 在背景異步啟動，Atlas UI 幾乎可以立即將像素渲染到螢幕上，無需等待引擎初始化。
  • 提高穩定性： 透過隔離引擎，即使 Chromium 主執行緒掛起或進程崩潰，Atlas 仍能保持運作。
  • 開發速度： 大多數工程師可以將 OWL 作為預建的二進位檔 (prebuilt binary) 使用，將建置時間從數小時縮短至數分鐘，讓新團隊成員在入職第一天就能合併更改。
  • 簡化維護： 與上游 Chromium 源碼相比，較小的差異 (diff) 使整合新版本的引擎變得更加容易。

技術實現與通訊

Atlas 作為 OWL Client 運行，而 Chromium 瀏覽器進程則作為 OWL Host。兩者之間的通訊透過 Chromium 的內部訊息傳遞系統 Mojo 處理，並使用自定義的 Swift 和 TypeScript 綁定。

API 與服務層

OWL 客戶端函式庫提供了一個 Swift API，抽象化了以下主機端概念：

  • Session: 主機的全局配置與控制。
  • Profile: 特定使用者設定檔的瀏覽器狀態管理。
  • WebView: 對單個網頁內容的控制，包括導航、縮放和輸入。
  • WebContentRenderer: 輸入事件轉發與渲染器回饋的管理。
  • LayerHost/Client: UI 與 Chromium 之間的合成資訊交換。

渲染管線

Atlas 使用委派渲染模型 (delegated rendering model) 來跨進程邊界投影像素。WebView 會被切換到一個共享的合成容器中。在 Chromium 端，此容器是一個由 CALayer 支持的 gfx::AcceleratedWidget。Atlas 透過 NSView 使用私有的 CALayerHost API 來嵌入此圖層。

同樣的技術也被用於將 Chromium 的原生 Views UI（例如權限提示）和獨立的彈出式小工具（如顏色選擇器或 <select> 下拉選單）投影到 Atlas 介面中。

輸入事件處理

由於 Chromium 在隱藏進程中運行，Atlas Swift 客戶端函式庫會在將事件轉發給 Chromium 之前，將 macOS 的 NSEvents 轉換為 Blink 的 WebInputEvent 模型。如果網頁未處理某個事件，該事件會返回給客戶端，並在客戶端重新合成為 NSEvent，供應用程式的其他部分處理。

對代理型瀏覽的支持

OWL 包含針對「代理模式 (Agent mode)」的特定優化，在此模式下，AI 模型會與網頁進行互動：

  • 為 AI 進行視覺合成： 為了為 AI 模型提供單一且連貫的螢幕圖像，Atlas 會將獨立的彈出視窗（如下拉選單）重新合成回正確座標的主頁面圖像中。

  • 沙盒化輸入： 代理生成的事件會直接路由到渲染器，繞過特權瀏覽器層。這可以防止 AI 合成可能觸發與網頁內容無關的瀏覽器層級動作的鍵盤快捷鍵。

  • 隔離儲存： 代理工作階段可以使用 Chromium 的 StoragePartition 基礎設施在臨時的「登出」環境中運行。這為 Cookie 和網站數據創建了隔離的記憶體內儲存，一旦工作階段結束就會被丟棄，從而允許多個隔離的代理工作階段在不同分頁中同時運行。

Sources