మా ChatGPT ఆధారిత బ్రౌజర్ Atlas కి శక్తినిచ్చే కొత్త ఆర్కిటెక్చర్ OWL ని మేము ఎలా రూపొందించామో.

కెన్ రాకాట్, టెక్నికల్ స్టాఫ్ సభ్యుడు మరియు బెన్ గుడ్జర్, హెడ్ ఆఫ్ ఇంజినీరింగ్, ChatGPT Atlas రచన.

గత వారం, మేము ChatGPT Atlas ను ప్రారంభించాము⁠ — ChatGPT మీతో పాటు ఉండే కొత్త వెబ్ బ్రౌజింగ్ అనుభవం.పూర్తి ఫీచర్లతో కూడిన వెబ్ బ్రౌజర్ మాత్రమే కాకుండా, Atlas భవిష్యత్తులోకి ఒక చూపు ఇస్తుంది — మీరు ఇంటర్నెట్ లో ఎక్కడికైనా ChatGPT ని వెంట తీసుకెళ్లి ప్రశ్నలు అడగగలిగే, సూచనలు పొందగలిగే, పనులు పూర్తిచేయించగలిగే ప్రపంచం వైపు.ఈ పోస్ట్ లో, మేము ఈ ప్రొడక్ట్ లోని అత్యంత క్లిష్టమైన ఇంజినీరింగ్ అంశాల్లో ఒకదానిని వివరిస్తున్నాం — మీరు ఉపయోగించే కొద్దీ మరింత ఉపయోగకరంగా మారే బ్రౌజర్ గా ChatGPT ని ఎలా మలిచామో.

ChatGPT ని వెబ్ కి నిజమైన కో-పైలట్ గా మార్చడం అంటే బ్రౌజర్ యొక్క మొత్తం ఆర్కిటెక్చర్ ని కొత్తగా ఆలోచించాల్సి వచ్చింది — అందుకోసం Atlas ని Chromium రన్ టైమ్ నుంచి వేరు చేశారు.దీని కోసం Chromium ని ఇంటిగ్రేట్ చేసే కొత్త విధానాన్ని అభివృద్ధి చేయాల్సి వచ్చింది — దీని వల్ల మా ప్రోడక్ట్ లక్ష్యాలు సాధ్యమవుతాయి: తక్షణ స్టార్ట్అప్, మరిన్ని ట్యాబ్స్ ఓపెన్ చేసినప్పటికీ స్పందనాత్మక పనితీరు, అలాగే ఏజెంటిక్ యూజ్ కేసులకు బలమైన ఫౌండేషన్ నిర్మించడం.

Chromium సహజమైన బిల్డింగ్ బ్లాక్ గా మారింది.ఇది ఆధునిక వెబ్ ఇంజిన్ ను అందిస్తుంది — దృఢమైన సెక్యూరిటీ మోడల్, నిరూపితమైన పనితీరు సామర్థ్యం, మరియు సమానంలేని వెబ్ కంపాటిబిలిటీతో.అంతేకాకుండా, దీన్ని నిరంతరం మెరుగుపరుస్తున్న గ్లోబల్ కమ్యూనిటీ అభివృద్ధి చేస్తోంది.ఇది ఆధునిక డెస్క్టాప్ వెబ్ బ్రౌజర్లకు సాధారణంగా ఉపయోగించే ప్రాధమిక ఎంపిక.

మా ప్రతిభావంతమైన డిజైన్ టీమ్ కి యూజర్ అనుభవం కోసం గొప్ప లక్ష్యాలు ఉన్నాయి — ముఖ్యంగా Agent మోడ్ వంటి ఫీచర్లకు రిచ్ యానిమేషన్లు మరియు విజువల్ ఎఫెక్ట్లను అందించడం.దీని కోసం మా ఇంజనీరింగ్ టీమ్ ఓపెన్ సోర్స్ Chromium UX ను కేవలం రీస్కిన్ చేయడం కాకుండా, మా UI కోసం అత్యాధునిక నేటివ్ ఫ్రేమ్ వర్క్లు (SwiftUI, AppKit, మరియు Metal)ని వినియోగించాల్సి వచ్చింది.దాంతో, Atlas యొక్క UI మొత్తం అప్లికేషన్ UX ను పూర్తిగా మళ్లీ నిర్మించినట్టైంది.

అలాగే, వేగవంతమైన స్టార్ట్ అప్ టైమ్లు మరియు పనితీరు తగ్గకుండా వందల ట్యాబ్లను సపోర్ట్ చేయడం వంటి ఇతర ప్రోడక్ట్ లక్ష్యాలూ ఉన్నాయి.Chromium లో ఉన్న డిఫాల్ట్ సెటప్ తో ఈ లక్ష్యాలను సాధించడం సవాల్ గా మారింది, ఎందుకంటే అది బూట్ సీక్వెన్స్, థ్రెడింగ్ మోడల్, ట్యాబ్ మోడల్ వంటి అనేక అంశాలపై కఠినంగా నిర్ణయించబడిన నిర్మాణాన్ని కలిగి ఉంది.ఇక్కడ పెద్ద మార్పులు చేయాలా అని ఆలోచించాం, కానీ కొత్త వెర్షన్లను త్వరగా ఇంటిగ్రేట్ చేయగలిగేందుకు Chromium పై మా ప్యాచ్ల సెట్ ను పరిమితంగా, లక్ష్యితంగా ఉంచాలని నిర్ణయించుకున్నాం.మా డెవలప్మెంట్ వేగం గరిష్ఠంగా ఉండేలా చేయడానికి, Chromium రన్ టైమ్ ని ఇంటిగ్రేట్ చేసి నియంత్రించే కొత్త విధానాన్ని ఆవిష్కరించాల్సి వచ్చింది.

మా టెక్నికల్ ఇన్వెస్ట్మెంట్ కి అసలు లిట్మస్ టెస్ట్ అంటే అది వేగంగా ఎక్స్పెరిమెంటేషన్, ఇటరేషన్, కొత్త ఫీచర్ల డెలివరీకి సహాయపడటమే కాదు — OpenAI ఇంజనీరింగ్ కల్చర్లోని ముఖ్యమైన భాగం అయిన "డే వన్కి షిప్ చేయడం"ని కొనసాగించడానికి కూడా అవకాశం ఇవ్వడం.ప్రతి కొత్త ఇంజనీర్ తన మొదటి రోజు మధ్యాహ్నానికే ఒక చిన్న మార్పు చేస్తాడు మరియు దాన్ని మర్జ్ చేస్తాడు.Chromium ని చెక్అవుట్ చేసి బిల్డ్ చేయడానికి గంటల సమయం పట్టినా, ఇది సాధ్యమవుతుందనే విషయాన్ని నిర్ధారించుకోవాల్సి వచ్చింది.

ఈ సవాళ్లకు మా సమాధానం కొత్త ఆర్కిటెక్చరల్ లేయర్ ను నిర్మించడం — దానికి మేము OWL: OpenAI’s వెబ్ లేయర్ అని పేరు పెట్టాం.OWL అనేది మా Chromium ఇంటిగ్రేషన్, ఇందులో Chromium యొక్క బ్రౌజర్ ప్రాసెస్ ని ప్రధాన Atlas యాప్ ప్రాసెస్ బయట నడపడం ఉంటుంది.

ఇలా ఆలోచించండి: Chromium ట్యాబ్లను వేర్వేరు ప్రాసెస్లలో నడిపించడం ద్వారా బ్రౌజర్లలో విప్లవాత్మక మార్పు తీసుకువచ్చింది.ఆ ఆలోచనను ఇంకాస్త ముందుకు తీసుకెళ్తూ, Chromium ని ప్రధాన అప్లికేషన్ ప్రాసెస్ నుంచి వేరు చేసి, ప్రత్యేకమైన సర్వీస్ లేయర్లోకి మార్చాం.ఈ మార్పు అనేక ప్రయోజనాల పరంపరను తెరిచింది:

• సరళమైన, ఆధునిక యాప్: Atlas దాదాపు పూర్తిగా SwiftUI మరియు AppKit లో రూపొందించబడింది.ఒకే భాష, ఒకే టెక్ స్టాక్, ఒకే క్లీన కోడ్బేస్.
• వేగవంతమైన స్టార్ట్ అప్: Chromium బ్యాక్ గ్రౌండ్లో అసింక్రోనస్ గా బూట్ అవుతుంది.Atlas ఎదురుచూడదు — పిక్సెల్స్ దాదాపు వెంటనే స్క్రీన్ పై కనిపిస్తాయి.
• జ్యాంక్ మరియు క్రాష్ ల నుండి వేరు చేయడం: Chromium శక్తివంతమైన మరియు క్లిష్టమైన వెబ్ ఇంజిన్.దాని మెయిన్ థ్రెడ్ హ్యాంగ్ అయినా, Atlas మాత్రం ప్రభావితం కాదు.అది క్రాష్ అయినా, Atlas కొనసాగుతూనే ఉంటుంది.
• తక్కువ మర్జ్ ఇబ్బందులు: మేము Chromium ఓపెన్ సోర్స్ UI పై ఎక్కువగా నిర్మించకపోవడంతో, అప్స్ట్రీమ్ Chromium తో మా డిఫ్ చాలా చిన్నదిగా, సులభంగా నిర్వహించగలిగేదిగా ఉంది.
• వేగవంతమైన ఇటరేషన్‌: చాలా మంది ఇంజనీర్లకు Chromium ని లోకల్ గా బిల్డ్ చేయాల్సిన అవసరం ఉండదు.OWL అంతర్గతంగా ప్రీబిల్ట్ బైనరీగా అందించబడుతుంది, అందువల్ల Atlas బిల్డ్లు గంటలు కాకుండా కేవలం కొన్ని నిమిషాల్లో పూర్తవుతాయి.

మా టీమ్ లోని ఎక్కువ మంది ఇంజనీర్లు Chromium ని సోర్స్ నుంచి రెగ్యులర్ గా బిల్డ్ చేయరు కాబట్టి, డెవలప్మెంట్ చాలా వేగంగా సాగుతుంది — కొత్త టీమ్ మెంబర్లు కూడా తమ మొదటి రోజు మధ్యాహ్నానికే సాధారణ మార్పులను మర్జ్ చేయగలుగుతున్నారు.

పెద్దస్థాయిలో చూసినప్పుడు, Atlas బ్రౌజర్ OWL Clientగా ఉంటుంది, మరియు Chromium బ్రౌజర్ ప్రాసెస్ OWL Hostగా పనిచేస్తుంది.అవి IPC ద్వారా కమ్యూనికేట్ అవుతాయి, ముఖ్యంగా Mojo⁠(కొత్త విండోలో తెరుచుకుంటుంది) — ఇది Chromium కు చెందిన స్వంత మెసేజ్-పాసింగ్ సిస్టమ్.మేము Mojo కోసం కస్టమ్ Swift (మరియు TypeScript కూడా) బైండింగ్లను రాశాం, దాంతో మా Swift యాప్ హోస్ట్-సైడ్ ఇంటర్ఫేస్లను నేరుగా కాల్ చేయగలదు.

OWL క్లయింట్ లైబ్రరీ ఒక సరళమైన పబ్లిక్ Swift APIని అందిస్తుంది, ఇది హోస్ట్ సర్వీస్ లేయర్లో ఉన్న కొన్ని ముఖ్యమైన కాన్సెప్ట్లను అబ్స్ట్రాక్ట్ చేస్తుంది:

• సెషన్: హోస్ట్ ను గ్లోబల్ గా కాన్ఫిగర్ చేసి నియంత్రించండి
• ప్రొఫైల్: నిర్దిష్ట యూజర్ ప్రొఫైల్ కు సంబంధించిన బ్రౌజర్ స్థితిని నిర్వహించండి
• WebView: వ్యక్తిగత వెబ్ కంటెంట్లను నియంత్రించి, ఎంబెడ్ చేయండి (ఉదా.రెండర్, ఇన్పుట్, నావిగేట్, జూమ్ మొదలైనవి.
• WebContentRenderer: ఇన్పుట్ ఈవెంట్లను Chromium యొక్క రెండరింగ్ పైప్లైన్ లోకి పంపించి, రెండరర్ నుంచి ఫీడ్బ్యాక్ స్వీకరించండి
• LayerHost/Client: UI మరియు Chromium మధ్య కంపోజిటింగ్ సమాచారాన్ని మార్పిడి చేయండి

బుక్మార్క్లు, డౌన్లోడ్లు, ఎక్స్టెన్షన్లు, మరియు ఆటోఫిల్ వంటి హై-లెవల్ ఫీచర్లను నిర్వహించడానికి విస్తృతమైన సర్వీస్ ఎండ్ పాయింట్లు కూడా ఉన్నాయి.

క్లయింట్ యాప్ లో పరస్పర ప్రత్యేకమైన ప్రెజెంటేషన్ స్పేస్ ను పంచుకునే WebViews ను, షేర్ చేసిన కంపోజిటింగ్ కంటైనర్లో అవసరానికి అనుగుణంగా లోపలికి లేదా బయటకు మారుస్తారు.ఉదాహరణకు, ఒక బ్రౌజర్ విండోలో సాధారణంగా ఒకే షేర్ చేసిన కంటైనర్ కనిపిస్తుంది, మరియు ట్యాబ్ స్ట్రిప్లోని ట్యాబ్ ను ఎంచుకున్నప్పుడు, ఆ ట్యాబ్ కు సంబంధించిన WebView ఆ కంటైనర్లోకి మారుతుంది.Chromium వైపు, ఈ కంటైనర్ gfx::AcceleratedWidgetకి సమానం, ఇది చివరికి CALayer ద్వారా సపోర్ట్ చేయబడుతుంది.ఆ లేయర్ యొక్క కాంటెక్స్ట్ IDని మేము క్లయింట్కు ఎక్స్పోజ్ చేస్తాము, అక్కడ NSView దానిని ప్రైవేట్ CALayerHost API ఉపయోగించి ఎంబెడ్ చేస్తుంది.

డ్రాప్ డౌన్లు లేదా కలర్ పికర్లు వంటి ప్రత్యేక సందర్భాల్లో, Chromium వాటిని వేర్వేరు పాప్ అప్ విడ్జెట్లలో రెండర్ చేస్తుంది — అదే విధానాన్ని ఇక్కడ కూడా ఉపయోగిస్తుంది.వాటికి content::WebContents ఉండదు, కానీ వాటికి స్వంత gfx::AcceleratedWidgetతో కూడిన content::RenderWidgetHostView ఉంటుంది, అందువల్ల అదే డెలిగేటెడ్ రెండరింగ్ మోడల్ వర్తిస్తుంది.

OWL అంతర్గతంగా వ్యూ జ్యామెట్రీని Chromium వైపుతో సింక్ లో ఉంచుతుంది, తద్వారా GPU కంపోజిటర్ తగిన విధంగా అప్డేట్ అవుతూ, ఎప్పుడూ సరైన సైజ్ మరియు డివైస్ స్కేల్లో లేయర్ కంటెంట్ను రూపొందించగలదు.

మేము ఈ టెక్నిక్ని మళ్లీ ఉపయోగించి, Chromium యొక్క నేటివ్ Views UI లోని కొన్ని ఎలిమెంట్లను ఎంపికగా Atlas లో ప్రొజెక్ట్ చేస్తాము (ఇది SwiftUIలో కొత్తగా రీబిల్డ్ చేయకుండా, పర్మిషన్ ప్రాంప్ట్ల వంటి ఫీచర్లను వేగంగా బూట్ స్ట్రాప్ చేయడానికీ ఉపయోగపడుతుంది).ఈ టెక్నిక్ macOS లో ఇన్ స్టాల్ చేయగలిగే వెబ్ యాప్ల కోసం Chromium లో ఉన్న ప్రస్తుత ఇన్ఫ్రాస్ట్రక్చర్ నుంచి విస్తృతంగా ఆధారం తీసుకుంది.

Chromium UI ప్లాట్ ఫారమ్ ఈవెంట్లను (ఉదా. macOS NSEvents) రెండరర్లకు పంపే ముందు Blink యొక్క WebInputEvent మోడల్ గా మార్చుతుంది.అయితే OWL Chromium ని హిడెన్ ప్రాసెస్లో నడిపిస్తుందనీ, అందువల్ల ఆ ఈవెంట్ ట్రాన్స్లేషన్ ని మేమే Swift క్లయింట్ లైబ్రరీలో నిర్వహించి, ఇప్పటికే ట్రాన్స్ లేట్ చేసిన ఈవెంట్లను Chromium కి పంపుతాం.

అక్కడి నుంచి, అవి సాధారణంగా వెబ్ కంటెంట్ కోసం ఇన్ పుట్ ఈవెంట్లు అనుసరించే అదే లైఫ్సైకిల్ ని అనుసరిస్తాయి.ఇందులో, పేజ్ ఆ ఈవెంట్ ని హ్యాండిల్ చేయలేదని సూచించినప్పుడు, ఆ ఈవెంట్లు క్లయింట్ కు తిరిగి రిటర్న్ అవ్వడం కూడా ఉంటుంది.ఇది జరిగితే, మేము NSEvent ని మళ్లీ సింథసైజ్ చేసి, యాప్ లోని మిగతా భాగాలకు ఆ ఇన్పుట్ ని హ్యాండిల్ చేసే అవకాశం ఇస్తాము.

Atlas లోని ఏజెంటిక్ బ్రౌజింగ్ ఫీచర్ మా రెండరింగ్, ఇన్పుట్ ఈవెంట్ ఫార్వార్డింగ్, మరియు డేటా స్టోరేజ్ విధానాలకు ప్రత్యేకమైన సవాళ్లను విసురుతోంది.

మా కంప్యూటర్ యూజ్ మోడల్ కి ఇన్పుట్ గా స్క్రీన్ యొక్క ఒకే ఇమేజ్ అవసరం ఉంటుంది.కానీ కొన్ని UI ఎలిమెంట్ లు, ఉదాహరణకు డ్రాప్ డౌన్లు, ట్యాబ్ పరిమితుల బయట వేర్వేరు విండోల్లో రెండర్ అవుతాయి.ఏజెంట్ మోడ్ లో, మేము ఆ పాప్ అప్ లను సరైన కోఆర్డినేట్ ల వద్ద మళ్లీ మెయిన్ పేజ్ ఇమేజ్ లో కంపోజిట్ చేస్తాము, తద్వారా మోడల్ ఒకే ఫ్రేమ్ లో పూర్తి కాంటెక్స్ట్ ను చూడగలుగుతుంది.

ఇన్ పుట్ విషయంలో కూడా మేము అదే సూత్రాన్ని అనుసరిస్తాము: ఏజెంట్ సృష్టించిన ఈవెంట్ లు నేరుగా రెండరర్ కి పంపబడతాయి, ప్రత్యేకాధికార బ్రౌజర్ లేయర్ ద్వారా ఎప్పుడూ కాదు.అది ఆటోమేటెడ్ కంట్రోల్ కింద ఉన్నప్పటికీ సాండ్ బాక్స్ బౌండరీని కాపాడుతుంది.ఉదాహరణకు, ఈ తరహా ఈవెంట్లు బ్రౌజర్ చూపిస్తున్న వెబ్ కంటెంట్ కు సంబంధం లేని చర్యలను చేయించే కీబోర్డ్ షార్ట్కట్ లను సింథసైజ్ చేయకూడదని మేము కోరుకుంటాం.

ఏజెంట్ బ్రౌజింగ్ తాత్కాలిక "లాగ్డ్ -అవుట్" కాంటెక్స్ట్లో కూడా నడుస్తుంది.యూజర్ యొక్క ప్రస్తుత Incognito ప్రొఫైల్ ను షేర్ చేయడం వల్ల స్టేట్ లీక్ అయ్యే ప్రమాదం ఉన్నందున, మేము Chromium యొక్క StoragePartition ఇన్ఫ్రాస్ట్రక్చర్ ను ఉపయోగించి వేరు చేయబడిన, ఇన్-మెమరీ స్టోర్లను సృష్టిస్తాము.ప్రతి ఏజెంట్ సెషన్ కొత్తగా ప్రారంభమవుతుంది, మరియు అది ముగిసిన వెంటనే అన్ని కుకీలు మరియు సైట్ డేటా తొలగించబడతాయి.మీరు అనేక "లాగ్డ్-అవుట్" ఏజెంట్ సెషన్లను నడపవచ్చు — ప్రతి సెషన్ తన స్వంత బ్రౌజర్ ట్యాబ్ లో నడుస్తుంది మరియు మిగతావాటినుంచి పూర్తిగా వేరుగా ఉంటుంది.

ఆధునిక వెబ్ కు పునాది వేసిన అద్భుతమైన కృషి చేసిన గ్లోబల్ Chromium కమ్యూనిటీ లేకుండా ఇవన్నీ సాధ్యమయ్యేవి కావు.OWL ఆ పునాదిపై కొత్త రీతిలో నిర్మించబడింది — ఇంజిన్ ను యాప్ నుంచి వేరు చేసి, ప్రపంచ స్థాయి వెబ్ ప్లాట్ ఫారమ్ ను ఆధునిక నేటివ్ ఫ్రేమ్ వర్క్లతో మిళితం చేస్తూ, వేగవంతమైన మరియు మరింత అనువైన ఆర్కిటెక్చర్ ను ప్రారంభిస్తోంది.

బ్రౌజర్ Chromium ని ఎలా నిర్వహిస్తుందో మళ్లీ ఆలోచించడం ద్వారా, మేము కొత్త అనుభవాలకు దారితీసే స్థలం సృష్టిస్తున్నాం — మరింత స్మూత్ స్టార్ట్ అప్లు, రిచ్ UI, OS తో గట్టి ఇంటిగ్రేషన్, మరియు ఆలోచనల వేగంతో కదిలే డెవలప్ మెంట్ లూప్.ఇది మీకు సరిపోయే సవాల్ గా అనిపిస్తే, సాఫ్ట్వేర్ ఇంజనీర్, Atlas⁠, సాఫ్ట్వేర్ ఇంజనీర్, iOS⁠గా Atlas పై పనిచేయడానికి మా ఓపెనింగ్లను చూడండి — ఇంకా ఇతర అవకాశాలు⁠ కూడా ఉన్నాయి.

Atlas ని ప్రయత్నించండి వద్ద chatgpt.com/atlas⁠⁠(కొత్త విండోలో తెరుచుకుంటుంది).