一、从"会聊天"到"会干活"
2025 年 10 月 Anthropic 发布 Computer Use（计算机使用）能力，让 Claude 能"看屏幕、点鼠标、敲键盘"直接操作电脑。大半年过去，这条路线已经不再是一家独苗——OpenAI 的 Operator、Google 的 Project Mariner、国产智谱 AutoGLM、字节的同类能力接连跟进。
一个共识正在成形：Agent 的下一个台阶，不是"答得更准"，而是"动手干活"。
二、Computer Use 到底是什么
传统 Agent 靠"调 API"干活——你得先给它开好现成的工具接口（查天气、发邮件、建 issue）。Computer Use 走的是另一条路：像人一样用图形界面。模型先截屏"看"当前画面，再输出鼠标坐标和键盘指令，直接点按钮、填表单、切窗口。
差别在于：调 API 需要"软件为你开接口"；Computer Use 是"软件没接口我也能用"。理论上，任何你能用的网页和桌面软件，Agent 都能用。
三、为什么是现在爆发
三个条件凑齐了：
- 多模态视觉模型成熟：能稳定"读懂"复杂网页截图——哪里是按钮、哪里是输入框、弹窗该怎么关。
- 推理成本下降：一次操作要截屏 + 思考 + 行动多轮，过去贵到跑不起，现在降到可商用区间。
- 沙箱与安全兜底：云上虚拟机 + 操作白名单 + 人工确认，让"AI 操作真电脑"不至于一上来就失控。
四、对普通人的启示
- 别只盯着聊天框：会对话的 AI 已经是基础设施，差异化正在往"能动手"转移。
- 流程比提示词值钱：Computer Use 时代，谁先把"重复操作流程"沉淀下来交给 Agent，谁就先吃到红利——填表、抢单、巡检、对账、跨系统搬运数据。
- 安全是新红线：能操作电脑 = 能闯祸。敏感操作务必走人工确认 + 沙箱，别让 Agent 直接碰生产环境和真金白银的账号。
一句话：Agent 正从"嘴替"进化成"手替"。会聊天的 AI 满大街都是，会干活的 AI 才是下一张入场券。
参考来源