Apresentando SimuLang: Playwright para todo o Desktop
de Ang Li • Palo Alto, Califórnia • 23 de abril de 2026
Simulang é uma linguagem de script para automatizar navegadores, aplicativos nativos e fluxos de trabalho em nível de sistema operacional — projetada para ser escrita por agentes de IA. Acabamos de tornar o Simulang de código aberto. Você pode instalá-lo agora com um único comando:
.png)
That absence creates problems. AI agents, as the industry currently builds them, lack efficiency.
To be clear, this isn’t about AI’s capability; frontier labs have been breaking new grounds virtually every month. The problem is agent cost – measured in dollars, time, tokens, compute, and human oversight – and the fact that none of those costs gravitate toward the most efficient result. Just as how things in nature tend towards efficiency, computer autonomy should, too.
Por que o construímos
Recentemente, notei que meu tempo no computador havia sido reduzido significativamente para cerca de duas horas por dia. Há um ano, eu tinha facilmente oito anos. A diferença é que os agentes de uso do computador (CUA) estão ficando muito melhores à medida que a indústria finalmente cria agentes que podem ver e agir como humanos.
Velocidade. Cada ação leva menos de 50 milissegundos — o tempo que leva para consultar uma API local e executar um clique. Sem captura de imagem, sem upload, sem raciocínio de modelo. Um fluxo de trabalho de 20 etapas termina em menos de um segundo. Agentes baseados em captura de tela levam de 3 a 5 segundos por ação para o mesmo fluxo de trabalho, tornando-os 60 a 100 vezes mais lentos em escala.
Custo. Um script Simulang consome zero tokens na repetição. Você paga pelo raciocínio do LLM quando o script é criado pela primeira vez (ou quando o Sai o gera a partir da linguagem natural). Depois disso, cada execução subsequente é gratuita — sem chamadas de API, sem processamento em nuvem, sem taxas por execução. Para equipes que executam centenas de fluxos de trabalho automatizados diariamente, esta é a diferença entre ser viável e proibitivamente caro. Estas não são melhorias incrementais. São vantagens estruturais que vêm da escolha da abstração certa: elementos semânticos em vez de pixels, execução local em vez de inferência na nuvem, referências determinísticas em vez de suposições probabilísticas.
Lastly, today's agents don’t practice because they never learn on the task. Agents of today are predominantly LLM-based. While an LLM model is great at solving novel problems, it’s wasteful on routine tasks. It doesn’t learn on the task but re-inferences from scratch every time. The LLM keeps doing the work without ever forming muscle memory, so it never gets more efficient at a task it has already done a hundred times. This turns into billable amnesia.
Lastly, today's agents don’t practice because they never learn on the task. Agents of today are predominantly LLM-based. While an LLM model is great at solving novel problems, it’s wasteful on routine tasks. It doesn’t learn on the task but re-inferences from scratch every time. The LLM keeps doing the work without ever forming muscle memory, so it never gets more efficient at a task it has already done a hundred times. This turns into billable amnesia.
What practice looks like in a machine
So how do we build agents that actually follow the power law of practice? The good news is we already have a working example of extreme efficiency sitting inside our brain.
The human brain runs on about 20 watts [3]. That is the power of a dim light bulb, and with it, a person can hold a conversation, recognize a face across a noisy room, plan a week of meals, and second-guess a decision from 10 years ago. No machine we have built comes close to that efficiency, namely the ratio of output to energy consumption.
It’s worth sitting with that before talking about machine intelligence. The brain did not become efficient by being powerful. It gets there by being cheap, and it gets cheap through practice.
An AI agent should work the same way. It shouldn’t pay twice for the same task, and it shouldn’t starve the model to save on tokens. Like muscle, learned and repeated actions can be handled by a small model and stored in small memory units. Not everything needs to route through a central LLM – the "brain" – every time. Intelligence doesn’t require brute force; small, structured, symbolic units can execute repeated work in code efficiently. That is the power law of practice: the first run is an expensive discovery, and every run after gets cheaper.
.png)
This is also the neurosymbolic approach: neural LLMs where novelty is needed for discovery, and symbolic, muscle-memory-like code for repeatable work. The neural half handles first encounters; the symbolic half is where practice happens. Together, they give agents efficiency overtime.
O que o Simulang faz
Você pode perguntar:
Um script Simulang pode:
- Abrir qualquer aplicação — navegadores, aplicativos de desktop nativos, diálogos do sistema, gerenciadores de arquivos.
- Ler a árvore de acessibilidade — cada botão, campo de texto, item de menu e rótulo exposto como um elemento estruturado e endereçável por referência.
- Interagir deterministicamente — clicar, digitar, selecionar, alternar, rolar, expandir/colapsar — por referência de elemento, não por coordenada de pixel.
- Recorrer à visão — quando uma aplicação não expõe dados de acessibilidade, o Simulang usa fundamentação visual em nível de pixel para localizar elementos na tela.
Construir computadores autônomos não significa substituir humanos. Isso significa cooperação.
Liberte suas mãos do computador. Baixe o Simular hoje gratuitamente.
