我要投稿

浅谈 AI 浏览器

发布日期：2025-11-02 11:58:12 浏览次数： 1565

作者：浮之静

微信搜一搜，关注“浮之静”

都在卷 AI 浏览器（ChatGPT Atlas 发布，AI 浏览器大乱斗...），更有甚者已经开始用 OS 来给浏览器命名了。AI Browser = XXX OS !?，是我对 OS 有什么误解吗？

感觉一些营销在刻意模糊 OS 和 Browser 的边界，照这个势头发展，搞不好明年就叫二进制了（01）…

浏览器越来越“像”系统？

你也许已经感到：浏览器的“覆盖面”过了一个拐点。PWA、Service Worker、File System Access、WebGPU、通知/后台同步、甚至多 Profile/多分区隔离，让它承载了大量过去属于系统壳层的能力。再叠上 “AI 代理”——能在页面里读、写、点、拖、表单填写、脚本注入——体验上就像有个“微内核”在替你支配电脑。

问题是：感觉像 ≠ 职责像。浏览器没有进程调度权、不控制内存隔离的底线、也不治理驱动与内核系统调用。它只是拿到了更多“可近似系统”的用户态能力。这就是营销话术的空间：把“运行时 + 编排层”包装成 “OS”，听上去更牛，也更好讲故事...

AI 的错位感：当代理可以“自动操作你的电脑/网页”时，的确“像”一个掌管资源与权限的系统层，于是 “OS” 一词被滥用。浏览器是应用运行时（Runtime），不是硬件/内核层的仲裁者。

📌

如果啥都可以叫 OS，那鸿蒙又算啥，被人喷那么惨（好无辜）...

OS 全称是 Operating System，位于硬件和应用层之间。一个能被严肃称为 OS 的系统，至少要满足以下能力吧：

进程/线程调度（谁先跑、怎么抢占 CPU）；
内存管理与隔离（地址空间、分页、OOM 策略）；
设备与驱动栈（存储、显示、输入、网络、功耗管理）；
文件系统与权限模型（UID/GID、ACL、沙箱、能力令牌）；
系统调用与内核态/用户态边界；
多会话/登录与后台守护进程（启动、关机、服务管理）。
...

所以在我看来，只有 macOS，Windows，Linux 之类的系统才称得上 OS。Chrome 是一个浏览器，但 ChromeOS 确实一个真正的操作系统（基于 Linux 内核实现，而非营销话术）。

浏览器（哪怕是很“重”的浏览器）通常只覆盖用户态的一小角：渲染、JS 运行时、网络栈的一层抽象、权限提示和扩展机制。它可以很像“平台”，但并不是 OS。“像 OS” ≠ “是 OS”。ChromeOS 是 OS，因为它有内核与系统服务；“浏览器 + 若干守护服务”只是运行时分发。

代理操作层（AOL）

如果要给这层东西取个更工程化的名字，我建议叫 Agent Operating Layer（AOL，代理操作层）。它是运行在 OS 之上的“可编排能力 + 权限/审计 + 状态记忆”层，是浏览器/客户端自动化时代的“系统空间”。AOL 的职责像这样：

能力编排：把“能做什么”抽象成能力（openTab、evalJS、screenshot、readFile、writeKV…），统一协议，类型化，稳定可调用。
权限与审计：最小授权、人机共驾、动作日志可回放、可对比、可导出。
状态与记忆：对话/向量记忆/长期档案统一治理，可迁移、可压缩、可分层冷热存储。
事件与调度：定时/触发器/外部 Webhook，能让代理持续可靠地“跑起来”。
模型解耦：把 LLM 当“算子”，可路由、可替换、可本地化，不和能力层绑死。
双态运行：有头（可视、人机协作）与无头（自动化）自由切换。

换句话说，OS 仍是 OS；我们需要的是一层“像系统一样严肃的运行治理”，但它的“底盘”依旧是 macOS/Windows/Linux/ChromeOS。

Chromium & AI 浏览器

AI 浏览器都是 Chromium 套壳（比如 Dia^[1]、ChatGPT Atlas^[2]、Comet^[3] 等），更确切点说，大部分套壳都在基于 Electron 搞（这类很多，不列举了，避免营销嫌疑）…

简单来说，能力强的直接基于 Chromium 二次定制开发，想快速交付的基本都在 Electron 上折腾。

割裂的现实：都在吐槽 Electron 又大又慢，但架不住“真香”定律，用起来就是嗨！说个题外话，一般应用开发很难碰到性能瓶颈，所以我们要相信 Chromium 团队是将性能优化做到极致的（v8^[4] 值得信赖）。自己使用原生技术开发应用（如 swift），在面对大数据处理时，如果不用点特殊优化手段，应用直接卡爆也不是不可能。

通用容器

从模型中心到能力中心，往后看，这或许是趋势：

能力优先：行业从“换更强模型”转向“定义更稳定、可治理的能力集”，把智能约束在“可审计动作”里。
标准互通：围绕工具/动作协议（MCP、agents 协议、llm.txt 等）的互操作增强，容器逐渐“可插拔”。
边缘与私有化：本地向量库、本地模型、端侧推理与端云协同，成为企业/高敏场景的默认诉求。

预测一下：适合接入任意大模型的 API 容器一定会出现，如果没有，那 Noi 会朝这个方向努力！

通用容器是一个与模型无关的容器化平台（如浏览器），它能提供 system、browser 相关 api 操作能力（比单纯的浏览器插件更进一步，也更符合 agent 操作需要）。这一定会成为主流诉求，因为目前发布的 AI 浏览器实在是太多了，根本装不完（都在试图接管用户入口，割裂混乱得让人崩溃）...

如果要定义一下 API 的数据结构，它可能是这样的：

// 统一的意图（Intent），一切动作的“凭证”
type Intent<T = any> = {
  id: string;          // 可回放/关联
  actor: "agent" | "human";
  capability: string;  // "tabs.create" | "dom.eval" | "fs.write" | "kv.put" ...
  args: T;
  scope?: string[];    // 能力域，如 ["activeWindow", "workspace:/docs"]
  policy?: { requireApproval?: boolean; ttl?: number };
  createdAt: string;
};

// 容器操作 API（节选）
interface OperatingAPI {
  // 浏览器/页面
  "tabs.create": (p: { url: string; partition?: string }) => Promise<{ tabId: string }>;
  "dom.eval": (p: { tabId: string; script: string }) => Promise<{ result: unknown }>;
  "tabs.capture": (p: { tabId: string }) => Promise<{ pngBase64: string }>;

  // 文件/存储（沙盒化路径）
  "fs.read": (p: { path: string }) => Promise<{ data: string }>;
  "fs.write": (p: { path: string; data: string }) => Promise<void>;
  "kv.put": (p: { ns: string; key: string; value: unknown }) => Promise<void>;
  "kv.get": (p: { ns: string; key: string }) =>Promise<{ value: unknown | null }>;

  // 调度/事件
  "task.schedule": (p: { cron: string; job: Intent }) => Promise<{ taskId: string }>;

  // 权限与审计
  "auth.request": (p: { capability: string; reason: string }) => Promise<{ granted: boolean }>;
  "audit.export": () => Promise<{ ndjson: string }>;
}

结语

AI Browser = Runtime (运行时) + Orchestration (编排) 似乎更合理，“AI Browser = OS” 的说法，让人上头，但工程上并不成立。OS 仍在内核，AI 的“系统性价值”应该长在操作层：能力编排、权限与审计、状态与记忆、事件与调度、以及对模型的彻底解耦。

当这层被认真地打磨出来，“AI 浏览器”自然会变成一个可托付的代理平台。到那时，谁还在纠结叫不叫 OS，已经不重要了。重要的是：它是否让人和智能在同一条可治理的轨道上，跑得更稳、更远。