哎哟！提交表单时出了点问题。
对于开发者来说，计算机使用是一种 API 模式，模型可以通过它为你的应用程序操作计算机：你发送一个目标，系统会返回鼠标和键盘的下一步操作，或者从真实或虚拟桌面返回最终结果。 它让你的代码能够自动化处理那些没有 API 的软件，从传统的桌面应用到供应商门户网站，而无需为每个屏幕编写选择器。对这个概念还很陌生？请从我们的核心指南开始阅读， 什么是计算机使用。
每个计算机使用技术栈都包含三个层级，而下方的工具在提供这些层级的完整度上各不相同： 模型 负责决定下一步操作， 计算机 （虚拟机、容器或云浏览器）用于执行操作，以及 控制框架 负责循环处理屏幕截图和操作、重试失败任务并请求人工确认。模型级工具仅提供第一层。基础设施提供商提供第二层。托管代理 API 则提供全部三层。
为了给工程主管和平台团队提供客观、可操作的对比参考，我们根据五个标准化准则对每种工具进行了评估：
工作原理： The Simular 平台 API 将任务发送给 Simular 的计算机使用代理 Sai，并通过服务器发送事件 (SSE) 流式传输进度。 POST /v1/agents/message 使用 wait: false 返回一个 sessionId； GET /v1/agents/events 流式传输叙述和结果，直到会话进入空闲状态；一个 data-approval-request 事件会暂停敏感操作，直到您调用 POST /v1/agents/approve 或由用户打开 approvalUrl。在底层，Sai 负责协调前沿模型与专业模型，在 Simulang 代码中进行规划，并将已解决的流程重放为 自愈代码。
能力边界： 可在 Simular 云计算机或已注册的 Mac 或 Windows 机器上运行桌面应用、浏览器、文件系统和终端。Simular 在 OSWorld 2.0 评测中取得了 73.0% 的部分得分，单任务成本为 15.70 美元，领先于 Claude Opus 5 Max Thinking（70.6%，23.70 美元）和 GPT-5.6 Sol Max（62.6%，26.62 美元），全任务成功率为 28.25%（Simular）。该 @simular-ai/sai-mcp 服务器将 Sai 接入 Claude Code、Codex 和 Cursor，Sai 可以 运行 Claude Code 会话 在云桌面环境中。
许可： 闭源服务；模型无关，支持使用您自己的密钥、开源权重模型或本地部署模型。基于 Simular 的开源 Agent S 研究构建。
定价： 提供包含共享 Windows 云计算机的免费方案；按需付费方案每月 50 美元；无限使用方案每月 500 美元（定价）。密钥以 sapi_。
适用场景： 适用于那些希望直接获取桌面和浏览器任务结果，而无需自行构建虚拟机集群、处理重试机制或审批流程，且需要重复执行相同工作流的开发者。
局限性： 您无法控制每一个底层操作；默认限制为每位用户每小时 60 条消息，单次上传限制为 25 MB（API 参考）。
工作原理： 发送屏幕截图以及 computer_toolset_20260801 通过 Messages API 进行定义；Claude 会返回 17 种操作中的一种（屏幕截图，left_click，输入，缩放 等）。您的智能体循环会执行该操作，捕获结果并重复此过程。一个 Docker 参考实现 配合虚拟 X11 显示器即可助您快速上手。
能力边界： 您的测试框架所暴露的任何环境。支持 Claude Opus 4.8、5 和 5.5，Sonnet 5 和 5.5，Fable 5/5.1 以及 Mythos 5/5.1，可通过 Claude API、Vertex AI 和 Bedrock 使用；符合零数据留存条件（Anthropic 文档）。
许可：闭源模型，开源参考框架。
定价： 按 Token 收费的 API 费率；由于每一步都包含屏幕截图，因此长时间的任务成本更高。
适用场景： 正在构建自有智能体产品，且需要完全掌控每一个操作的团队。
局限性： 您需要构建沙盒、恢复机制、凭据管理、审批流程和审计功能。Anthropic 建议使用低权限虚拟机、域名白名单，并针对关键操作进行人工确认。
工作原理： The Responses API 提供两种模式： computer 工具返回结构化的鼠标和键盘操作，或者由模型编写驱动界面的 Playwright 或 PyAutoGUI 代码。OpenAI 建议在代码执行路径中使用 GPT-6 Astra。
能力边界： 由您提供的浏览器环境（Playwright 示例）和桌面环境（PyAutoGUI 示例）。
许可：闭源。
定价： 按 Token 收取的 API 费率。
适用场景： 适合倾向于使用可审查、可重运行的生成式自动化代码的开发者。
局限性： 您负责维护运行时、屏幕截图捕获、状态和安全控制。引用 Operator 的旧教程已过时：该服务已于 2025 年 8 月 31 日关闭。
工作原理： Gemini 在标准化的 0–999 坐标网格上返回操作；由您的客户端执行。建议使用 Gemini 3.8 Flash，计算机使用功能于 2026 年 6 月内置于 Gemini 3.5 Flash 中 。
能力边界： 由您实现的浏览器、Android 和桌面环境；包含 Docker 参考 (Gemini 文档）。
许可：闭源。
定价：按 Gemini API Token 费率计费。
适用场景： 移动应用测试以及与 Web 任务并行的 Android 自动化。
局限性： 预览状态；内置确认功能涵盖购买、敏感数据、通信、账户创建和法律协议，提示词注入检测为可选功能。
工作原理： The Foundry 计算机使用工具 根据屏幕截图提出点击、输入和滚动建议；您的应用执行这些操作并返回新屏幕。响应可能包含 pending_safety_checks 在继续之前必须确认这一点。
能力边界： 浏览器和桌面应用程序，使用 computer-use-preview 位于美国东部 2 区、瑞典中部和印度南部的模型。
许可：闭源。
定价： Azure 按使用量付费。
适用场景： 已经在 Azure 和 Foundry Agent Service 上构建代理的团队。
局限性： 预览版不提供服务等级协议 (SLA)；微软建议仅在沙盒虚拟机中运行，且不要包含敏感数据。
工作原理： 将自然语言步骤与 Python 结合在 Nova Act SDK中，在游乐场或您的 IDE 中进行测试，然后部署到 Bedrock AgentCore Runtime。自 2025 年 12 月 2 日起全面上市。
能力边界： 浏览器工作流，例如质量保证 (QA)、表单填写和提取；工具和 MCP 集成处于预览阶段。
许可： 闭源服务，开源 SDK。
定价： 每代理每小时活跃工作 4.75 美元；不含人工等待时间（Classmethod）。
适用场景： 大规模自动化 Web 工作流的 AWS 原生团队。
局限性： 仅限浏览器；在美国东部（弗吉尼亚北部）推出。
工作原理： 一个 MIT 许可的 Python 库，可将任何大语言模型 (LLM) 连接到浏览器；Browser Use Cloud 提供托管代理和远程浏览器，价格从每小时 0.02 美元起（Browser Use）。
能力边界： 仅限浏览器任务。在 BU Bench V1 基准测试中，使用该库的 Claude Fable 5 得分为 80.0%，Browser Use Cloud 得分为 78.0%（基准测试）。
许可： MIT 协议；GitHub 星标数达 11.7 万。
定价：库免费；云端智能体按模型价格 +20% 外加浏览器使用时长收费。
适用场景： 基于任意模型构建 Web 智能体，且代码完全透明可查。
局限性： 无需桌面应用、文件对话框或操作系统级任务。
工作原理： Browserbase 为 Playwright、Puppeteer、Selenium 及其开源 AI 框架 Stagehand 提供无头浏览器运行环境，并支持会话录制与可观测性功能（定价）。
能力边界： 云浏览器会话；代理逻辑可由您或 Stagehand 提供。
许可： 闭源基础设施，开源 Stagehand。
定价： 免费版（3 个并发浏览器）；开发者版每月 20 美元（25 个并发，100 小时浏览器时长）；初创企业版每月 99 美元（100 个并发）。
适用场景： 高并发浏览器自动化。
局限性：仅限浏览器环境。
工作原理： AI 驱动的浏览器自动化，支持验证码识别和双重身份验证，旨在替代脆弱的爬虫；GitHub 获 23.1k 星标（Skyvern）。
能力边界： Web 门户和表单密集的网站。
许可：开源核心加云服务。
定价： 免费赠送 5,000 积分；个人版每月 29 美元；专业版每月 149 美元；企业版支持 SOC 2 和 HIPAA 合规。
适用场景： 门户自动化，例如保险、采购和政府表单处理。
局限性：仅限浏览器环境。
工作原理： 持久化云计算机，配备桌面、终端和文件系统，可通过 REST、SDK、CLI 或 MCP 进行管理，并支持 SSH（Orgo）。
能力边界： 所有方案均支持 Linux，Scale 方案支持 Windows，Mac 版处于内测阶段；支持自带模型和循环逻辑。
许可：闭源。
定价：Hacker 版每月 29 美元（1 台电脑）；Startup 版每月 99 美元（4 台）；Scale 版每月 399 美元（16 台）。
适用场景： 将模型级工具与托管桌面相结合。
局限性： 仅提供基础设施；可靠性取决于您的控制框架。
工作原理： Cua 提供开源基础设施，用于训练和评估控制完整桌面的代理。
能力边界：macOS、Linux 和 Windows 沙箱。
许可：开源。
定价：可免费自托管。
适用场景： 本地开发、评估和研究。
局限性： 一切由您自主掌控。
工作原理： Agent S （pip install gui-agents）将 OpenAI、Anthropic、Gemini 或其他厂商的主模型与基础模型（例如 UI-TARS）配对，并通过 Hugging Face 端点或 vLLM 提供服务。
能力边界： Linux、macOS 和 Windows。Agent S3 在 OSWorld 1.0 上通过 best-of-N 策略取得了 72.6% 的成绩，超过了 72.36% 的人类基准（Simular）；UI-TARS-2 在 OSWorld 上取得了 47.5% 的成绩，在 AndroidWorld 上取得了 73.3% 的成绩（arXiv）。
许可：Apache-2.0。
定价： 免费；您只需支付模型和 GPU 费用。
适用场景： 适用于研究、本地部署和离线部署。
局限性： 无需托管基础设施或审批；生产环境请迁移至 Simular Platform API。
有关基准测试的详细信息，请参阅 8 款最佳计算机使用 API。 开始构建： 获取免费的 Simular 平台 API 密钥。