哎哟！提交表单时出了点问题。
一个 计算机操作智能体 是一种像人类一样操作电脑的 AI 系统——它通过观察屏幕、移动指针、点击、输入、滚动、切换窗口并读取结果，来决定下一步的操作。它无需调用供应商提供的特定 API，而是直接驱动现有的用户界面。
这种区别至关重要，因为大多数实际工作仍是在没有 API 的界面后完成的：例如内部管理控制台、供应商门户、桌面 ERP 客户端、 旧版 CRM，或是三个团队手动编辑的电子表格。计算机操作智能体是唯一无需集成项目即可触达这些系统的自动化类别。
本指南涵盖了该类别的实际定义、它与 RPA 及浏览器智能体的区别、基准测试的衡量标准（及其误导之处），以及 2026 年值得关注的 22 款工具——每款工具都详细介绍了其底层方法、能力边界、许可方式、定价、适用用户及客观局限性。
每个计算机操作智能体都运行相同的循环：
工程设计的核心几乎全在第 2 步和第 4 步。定位能力决定了智能体是能点击电子表格中正确的单元格，还是会点偏 40 像素。验证能力则决定了智能体是能让你放心托管运行，还是仅仅是一个演示时看起来很棒的玩具。
目前有三个基准测试占据了主流讨论。虽然它们都无法完全代表你的实际工作负载，但综合来看，它们能帮你判断哪些系统真正具备闭环执行能力。
一个 计算机使用智能体 ，它在你的本地机器上运行，能够操作所有应用程序，而不局限于浏览器。
工作原理。 Sai 将操作系统级的辅助功能数据与视觉定位相结合，因此它既能通过辅助功能节点识别按钮，也能在节点缺失时回退到像素识别。它运行在真实的机器上（无论是你的笔记本电脑还是云端工作空间），这意味着它能直接继承你已登录的会话、本地文件和网络环境，无需你在沙盒内重新进行身份验证。
能力边界。 跨应用工作流是其核心设计：从 CRM 系统提取记录，与电子表格进行核对，将异常情况录入工单系统，并 通过电子邮件发送摘要。它不仅能处理网页，还能操作桌面应用程序和文件对话框，既支持通过自然语言下达任务，也能按计划或触发条件实现无人值守运行。
许可协议。 闭源产品。该团队也发布了该领域的公开研究成果（详见下文的 Agent S）。
定价。 提供包含一定计算时长的免费层级；针对高频和无人值守使用场景提供付费方案。请在制定预算前查看最新的定价页面。
适用场景。 运营、财务和市场进入（GTM）团队，其工作涉及多种工具（其中至少有一种没有可用的 API），且希望智能体以其个人登录身份而非服务账户身份进行操作。
局限性。 它需要一台机器来运行，因此并非零占用的云端 API。与该类别的所有智能体一样，它在每一步操作上的速度和成本都高于硬编码脚本；如果一项任务每天要在稳定的 UI 上运行 10,000 次，使用 RPA 或直接集成仍然是更好的选择。
OpenAI 托管的智能体，可在 ChatGPT 内部浏览并操作虚拟计算机。
工作原理。 基于云托管的虚拟机， 配备浏览器、终端和文件处理功能。智能体通过分析屏幕截图和页面结构进行推理，并能根据任务需求在可视化浏览器和文本浏览器之间切换。早期的纯浏览器研究预览版 Operator 已整合进这一统一智能体中。
能力边界。 擅长研究、填写表单以及根据网页工作生成产出物（如幻灯片、电子表格）。它在 OpenAI 的沙盒中运行，因此除非您主动上传或连接，否则它无法访问您的桌面、本地文件或内部网络。敏感操作会暂停以等待确认。
许可协议。 闭源，仅提供托管服务。 定价。 包含在 ChatGPT Plus / Pro / Business 等级中，并设有各等级的使用限额。
适用场景。 已标准化使用 ChatGPT，且需要在无需管理基础设施的情况下进行网页端智能代理工作的个人和团队。
局限性。 无法访问本地或内部部署系统；屏蔽数据中心 IP 或需要您个人登录会话的网站会造成持续的阻碍；无法进行私有化部署。
这项 API 功能开创了“计算机使用”这一产品类别——模型能够根据屏幕截图返回鼠标和键盘操作指令。
工作原理。 工具使用循环：您发送 Claude 一张屏幕截图和工具定义，它会返回一个操作（点击坐标、输入、按键、滚动），您的程序框架执行该操作并将下一张截图传回。Anthropic 提供参考容器镜像；循环本身由您自行运行。Claude for Chrome 在浏览器扩展程序中应用了相同的理念。
能力边界。 您的框架所暴露的任何环境——无论是容器、虚拟机还是真实的桌面。Anthropic 的模型目前在 OSWorld-Verified 排行榜上名列前茅，因此其原始的基础定位质量处于行业领先水平。
许可协议。 闭源模型，开源参考框架。 定价。 标准 API Token 定价；由于每一步都需要传输图像，计算机使用功能非常消耗 Token。
适用场景。 正在构建自有智能体产品或内部框架，且需要最强基础定位模型的工程团队。
局限性。 这是一项功能，而非成品——您需要自行负责沙箱环境、重试机制、验证、凭据管理和审计追踪。与浏览器范围内的工具相比，完成单项任务的成本较高。
一款终端原生的编码智能体 它运行着一个代码仓库、一个 shell，并且正越来越多地集成浏览器功能。
工作原理。 在您的终端（或 IDE）中运行，能够读取和编辑文件、执行命令，并根据测试输出进行迭代。它并非严格意义上的图形界面（GUI）智能体，但之所以将其列入名单，是因为在开发工作流中，它替代了计算机使用智能体原本通过 UI 缓慢执行的操作。
能力边界。 在处理代码、构建系统、迁移任务以及任何可通过文件和命令表达的任务方面表现出色。它可以通过 MCP 服务器驱动浏览器进行测试，但并非为点击操作 ERP 系统而设计。
许可协议。 闭源；随 Claude 订阅和 API 密钥提供。 定价。 包含在 Claude Pro/Max 套餐中，或按 API 使用量计费。
适用人群。 工程师。 局限性。 仅适用于开发类工作；非技术人员无法从这种以终端为先的界面中获得价值。
Google 的 浏览器控制智能体 能力，以模型工具和研究原型的形式呈现。
工作原理。 一种经过训练的模型变体，能够根据屏幕截图和页面上下文发出浏览器操作指令（点击、输入、滚动、导航），而 Mariner 则是 Chrome 端的执行体验，代表用户执行多标签页任务。
能力边界。 以浏览器为先。擅长网页导航和表单操作；不适用于桌面应用程序。
许可协议。 闭源。 定价。 模型访问权限通过 Gemini API 按 Token 计费；Mariner 访问权限仅限于更高级别的 AI 订阅方案。
适用场景。 已经在 Google Cloud / Gemini 生态中，且希望在同一账单体系内实现浏览器控制的团队。
局限性。 可用性和命名多次变更——在进行架构设计前请务必核实当前状态。不支持桌面端操作。
一款 托管式通用智能体 ，能够规划长期任务并在云端虚拟机上执行。
工作原理。 任务拆解结合带有浏览器、Shell 和文件系统的沙盒虚拟机。它以异步方式工作——你设定目标后，稍后即可获取交付成果（如报告、网站或电子表格）。
能力边界。 广泛的网页研究和产物生成；沙盒环境无法连接至您的内部系统。
许可协议。 闭源，托管。 定价。 基于积分的订阅层级；长任务会快速消耗积分。
适用场景。 研究与交付类工作，即输出结果为文档，而非对系统内部进行更改。
局限性。 积分消耗难以预测；无法访问本地或私有部署软件；输入其中的任何凭据均需信任第三方虚拟机。
目前应用最广泛的 开源库 ，用于让大语言模型驱动浏览器。
工作原理。 底层基于 Playwright，将页面精简为交互元素的索引列表，由模型通过编号进行选择——比原始像素定位更经济、更可靠。
能力边界。 Chromium 内的任何操作。为不希望自行运行的团队提供托管云服务选项。
许可协议。 开源 (MIT)。 定价。 自托管免费；云服务按使用量计费。模型 Token 费用需自行承担。
适用场景： 适合需要完全掌控力并希望依托庞大社区支持，从而构建网页自动化的开发者。
局限性： 本质上仅限于浏览器操作；你需要自行构建可靠性层（如重试机制、验证逻辑、密钥管理）；最终质量很大程度上取决于所接入的模型。
一个 开源智能体 ，通过在本地编写并运行代码来完成任务，并具备用于图形界面控制的操作系统模式。
工作原理： 模型生成 Python、Shell 或 JavaScript 代码，由你的机器执行，并将输出结果返回至循环中。可选的操作系统模式增加了基于屏幕截图的鼠标和键盘控制功能。
能力边界： 在任何可脚本化的任务上表现极佳，例如文件处理、数据转换和系统管理。虽然具备图形界面控制能力，但相较于专门构建的定位技术栈，其成熟度稍逊一筹。
许可协议： 开源（AGPL-3.0）。 定价： 免费；你只需支付模型调用费用。
适用场景： 适合希望使用本地化、模型无关且具备真实机器访问权限的智能体的技术用户。
局限性： 在本地机器上运行模型生成的代码存在切实的风险，请务必在沙盒环境中执行。其图形界面模式的准确性尚不及行业领先水平。
一个轻量级 开源框架 ，支持多模态模型通过屏幕截图来操控计算机。
工作原理。 屏幕截图 → 模型分析 → 执行鼠标/键盘操作，支持可插拔的后端（如 GPT 系列、Gemini、Claude 或本地视觉模型）。
能力边界。 主要作为参考实现和教学工具，而非生产级系统。
许可协议。 开源 (MIT)。 定价。 免费；模型调用费用由用户自行承担。
适用场景。 学习自动化循环机制，或快速构建原型。 局限性。 基于坐标的点击操作稳定性较差；缺乏有效的验证、故障恢复及凭据管理机制。
一个 开源智能体框架 ，专为计算机操作而设计，也是研究文献中的参考架构之一。
工作原理。 模块化设计：包含一个规划器、能够复用过往运行经验的增强记忆模块，以及一个将意图转化为精确坐标的定位模块。后续版本将任务分解给专业模块处理，而非依赖单一模型完成所有工作。
能力边界。 支持完整桌面环境，已在 OSWorld、WindowsAgentArena 和 AndroidWorld 上完成基准测试。
许可协议。 开源。 定价。 免费；模型使用成本由用户自行承担。
适用场景。 适合希望在成熟的已发布基准上进行构建，而非使用黑盒产品的研究人员和工程师。
局限性。 这是一个框架而非成品——没有用户界面，没有技术支持合同，且需要您自行搭建运行环境。
一个 开放权重的原生 GUI 智能体模型 ——是目前闭源定位模型中最领先的开源替代方案。
工作原理。 一个端到端训练的视觉语言模型，专注于图形用户界面（GUI）的感知、定位与操作，而非依赖提示词编排的流水线。随附 UI-TARS-desktop 应用程序，可在您的屏幕上运行该模型。
能力边界。 支持桌面端与移动端 GUI 控制；在 OSWorld 级基准测试中表现出最强的开源权重模型实力（UI-TARS-2 在 OSWorld-Verified 上的得分约为 53%）。
许可协议。 开源权重（已发布检查点采用 Apache-2.0 协议，请针对具体检查点进行核实）。 定价。 模型权重免费；您只需承担 GPU 算力或托管端点的费用。
适用场景。 需要在本地部署计算机操作，且要求数据不出内网的组织。
局限性。 自行托管多模态模型以达到可用延迟是一项繁重的基建工作，且其成功率仍明显落后于前沿闭源模型。
开源浏览器自动化 专为工作流设计，旨在处理可重复的业务流程，而非对话交互。
工作原理。 结合视觉模型与 DOM 解析来完成网页工作流，并将其封装为可通过 API 调用、可重复执行的参数化工作流对象——这是开源生态中最接近“自适应 RPA”的解决方案。
能力边界。 仅限网页端，对表单、登录、双重身份验证（2FA）处理及下载任务有良好的支持。非常适合保险、采购及政府门户网站的业务流程。
许可协议。 开源核心（AGPL-3.0），提供付费托管云服务。 定价。 自托管版本免费；云服务按运行次数/步骤计费。
适用场景。 旨在替代高频 Web 流程中脆弱 Selenium 套件的团队。
局限性。 仅限浏览器范围；若将 AGPL 版本嵌入商业产品中，需注意其相关限制。
一款 手机与网页智能体 ，可在真实应用中执行任务，并对中国生态系统有强大的覆盖能力。
工作原理。 基于 GLM 的多模态智能体，通过 GUI 操作控制安卓应用和网页，以助手形式及 API 方式提供服务。
能力边界。 覆盖移动应用与网页，包括西方智能体无法触及的中国超级应用。
许可协议。 闭源产品；GLM 模型系列的部分版本权重开源。 定价。 消费者层级及 API 定价。
适用场景。 在中国市场运营的团队。 局限性。 与西方桌面技术栈的关联度有限；文档主要以中文编写。
一种 研究框架 用于通用计算机控制，以仅通过像素操作复杂软件而闻名。
工作原理。 一个包含信息收集、自我反思、任务推断、技能整理、行动规划和记忆的六模块循环，通过屏幕截图进行操作，智能体在过程中构建可复用的技能库。
能力边界。 以游戏和复杂软件作为研究目标；技能整理理念是其可迁移的部分。
许可协议。 开源 (MIT)。 定价。 免费；模型使用成本由用户承担。
适用场景。 研究长周期控制和技能复用的研究人员。 局限性。 这不是一款业务自动化产品——它处理的是原始文件，而非文档。
一个 开源基础设施层 ，为智能体提供沙盒化的 macOS 或 Linux 虚拟机以供运行。
工作原理。 轻量级虚拟机（在 Apple 芯片上使用 Apple 的虚拟化框架）配合智能体 SDK，让任何模型都能在一个具备纯净、可复现状态的一次性计算机上运行。
能力边界。 它只是底层基座，而非大脑——请自备模型与策略。
许可协议。 开源 (MIT)。 定价。 自托管版本免费；提供云端容器选项。
适用场景。 需要为智能体运行提供隔离与可复现性，或希望安全测试智能体的开发者。
局限性。 你仍需自行构建智能体；macOS 虚拟机功能依赖于 Apple 芯片。
开源流程自动化 通过学习人类录制的图形用户界面（GUI）操作演示来实现。
工作原理。 在用户执行任务时记录屏幕、鼠标和键盘操作，随后利用大型多模态模型将录制内容转化为可重放、自适应的流程。
能力边界。 人类可演示一次的桌面 GUI 操作；明确以隐私为导向，支持本地敏感数据脱敏。
许可协议。 开源 (MIT)。 定价。 免费。
适用场景。 倾向于“演示而非提示”且希望所有数据保留在本地的团队。
局限性。 基于演示的泛化在处理复杂分支流程时仍不够稳定；社区规模小于 Browser Use 或 Skyvern。
一款 自主软件工程师 ，可在其自带编辑器、Shell 和浏览器的云端环境中独立工作。
工作原理。 接收工单后，它会进行规划、编写代码、运行测试、查阅文档并提交合并请求，在您可以随时查看和接管的持久化工作区中异步完成任务。
能力边界。 专注于软件工程任务及相关的网页操作，并非通用的办公自动化智能体。
许可协议。 闭源，托管服务。 定价。 在团队套餐基础上按使用量（ACU）计费；从过往数据来看，属于单项工作成本较高的智能体之一。
适用场景。 需要外包明确需求积压任务的工程团队。 局限性。 成本较高，且存在常见的问题：在目标明确的任务上表现出色，但在模糊任务上表现较弱。
一款 AI 浏览器 ，其助手能够直接操作您当前浏览的页面。
工作原理。 一款基于 Chromium 的浏览器，内置智能侧边栏，可读取当前页面和标签页上下文，并利用您现有的登录会话在浏览器内执行多步操作。
能力边界。 浏览器原生且面向消费者：比价购物、预订、收件箱分类、总结当前打开的页面。
许可协议。 闭源。 定价。 提供免费层级，高强度的智能体使用需订阅 Perplexity 付费计划。
适用人群。 希望在日常浏览中获得智能体辅助的个人用户。 局限性。 不适用于无人值守、需审计的业务流程；无法处理浏览器之外的任务。
一个 开源智能体 运行时，基于开放权重模型构建，深受自托管团队青睐。
工作原理。 基于 Hermes 模型系列的工具调用智能体循环，根据配置可使用浏览器和 Shell 工具。
能力边界。 功能广泛但需开发者自行组装；作为完全自托管、无供应商依赖的方案表现最强。
许可协议。 开源 (MIT)。 定价 免费；基础设施和模型服务费用由您自行承担。
适用场景 对数据不出本地基础设施有严格要求的团队。
局限性 无托管界面，无技术支持服务等级协议（SLA），且图形用户界面（GUI）的落地质量取决于您所接入的视觉模型。
一个用于构建 AI 助手的无代码平台，旨在处理重复性的业务工作流。
工作原理 基于触发器的智能体，连接至数百个 SaaS 集成，配备可视化构建器和大型模板库；在集成层之上提供有限的浏览器操作能力。
能力边界 以集成为先——在有连接器的情况下表现出色，在没有连接器的情况下能力受限。
许可方式 闭源，托管。 定价 提供包含每月任务额度的免费层级；付费计划可扩展额度。
适用场景 非技术人员即可实现电子邮件、日程安排、CRM 清理及潜在客户跟进的自动化。
局限性。 并非真正的计算机操作智能体：没有桌面环境，功能仅限于连接器目录所涵盖的范围。
一个 开源工作流自动化 平台，具备一流的 AI 智能体节点。
工作原理。 通过可视化或代码构建的节点图；AI 智能体节点负责调用模型和工具，必要时可通过社区节点添加浏览器控制功能（Playwright、Browser Use）。
能力边界。 确定性的编排，辅以可选的智能体步骤——这与计算机操作智能体的侧重点恰好相反。
许可协议。 基于可持续使用许可（Sustainable Use License）的源码可见协议（可自托管，但限制转售）。 定价。 自托管免费；云端方案按执行次数计费。
适用场景。 需要可审计、版本化流水线，且仅需模型进行偶尔判断的技术团队。
局限性。 每个步骤均需手动编写；除非你主动修改，否则系统无法适应 UI 的变更。
智能体自动化 基于业内最庞大的集成目录构建。
工作原理。 智能体将 Zapier 的应用连接作为工具，通过事件触发或按计划运行，并以自然语言描述其行为。
能力边界。 任何拥有 Zapier 连接器的应用。不涉及屏幕、桌面或图形用户界面（GUI）推理。
许可方式。 闭源，托管服务。 定价。 提供有限智能体活动的免费层级；付费计划根据任务/活动量计费。
适用场景。 已经在用 Zapier 并希望在应用间实现更智能路由的企业。
局限性。 严格依赖 API 交互——这与计算机操作智能体所提供的覆盖范围恰好相反。随着使用量增加，成本会迅速攀升。