什么是“机器人秘书”？一种能够操控多个自主运行计算机的计算机代理程序。

什么是机器人秘书？

“秘书”的演变

“秘书”一词曾意为“机密保管人”。几百年来，它经历了心腹、内阁成员、打字员和助理等多种身份。在 AI 时代，我们正在赋予它全新的定义。

• 14 世纪至 15 世纪（机密保管人）：受国王、教皇和贵族信任，负责保守私人秘密的忠诚心腹。
• 16 世纪至 17 世纪（皇家顾问）：负责保管机密的人员获得了政治权力，成为英国政府的高级大臣。
• 1789 年（政府职位）：美国采用“秘书”（Secretary）一词来称呼内阁首长（如国务卿），以避免使用带有皇室色彩的头衔。
• 19 世纪末（办公室助理）：打字机的出现和企业繁荣使该职位成为以打字和归档为主的女性主导角色。
• 1970 年代（行政专业人员）：这一称呼逐渐被“行政助理”取代，以更好地反映职场专业技能。
• 2020 年代及以后（机器人秘书时代）：AI 智能体接管日常数字任务，让人类回归到高层战略合作伙伴的角色。

机器人秘书、通用 AI 智能体与 RPA 的对比

科技行业长期以来一直致力于解决桌面软件自动化问题。RPA（如 UiPath、Automation Anywhere）一旦构建完成，运行精准且成本低廉，但一旦界面发生变动就会失效。通用 AI 智能体具备良好的推理能力并能操作屏幕，但每次点击都需要支付模型调用费用，且受限于供应商提供的环境。机器人秘书旨在同时兼顾这两者的优势：既拥有 GUI 原生操作能力，又能实现确定性、可重复的执行。

最重要的是，机器人秘书不仅仅是一个智能体；它是一个中央指挥官，能够指挥云端或本地的计算机集群。你无需忙于协调数十个智能体，只需与你的机器人秘书 Sai 对话，它便会指派其下属智能体团队在各自的计算机上完成任务。

实际的区别在于覆盖范围。基于 API 的工作流工具无法触及没有 API 的软件，而 RPA 无法应对软件界面的变更。机器人秘书（robosecretary）的操作方式与人类一致，直接使用界面，而这是所有应用程序都具备的通用接口。这一论点在 GUI 智能体的优势中有更深入的阐述。

2026 年的计算机操作智能体 Sai 表现如何？OSWorld 基准测试

OSWorld 是计算机使用智能体的标准开放基准测试：在真实的操作系统中使用真实的应用程序，并根据任务是否真正完成进行评分。

在 2026 年 6 月由香港大学 XLANG 实验室发布的 OSWorld 2.0（一个包含 108 个任务的基准测试，由熟练人类需耗时一小时以上的任务构建）中，Sai 获得了 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/任务）和 GPT-5.6 Sol Max（62.6%，26.62 美元/任务）。

关于基准测试的解读，有一点值得明确说明：OSWorld 1.0 和 OSWorld 2.0 衡量的是不同的事物，其数值不可直接比较。OSWorld 1.0 是一系列一次性的、独立的任务——如更改设置、编辑文件、运行查询——能力强的智能体只需几步即可完成。而 OSWorld 2.0 是长周期工作：任务运行超过 100 个步骤，跨越多个应用程序，反映的是真实工作流的形态，而非单一请求。一个智能体可能在前者表现出色，却在后者失败，因为在一百个步骤中保持状态与正确执行单个步骤是完全不同的问题。如果不附带基准测试版本，分数本身意义不大。

Sai 在完成长周期计算机工作方面表现卓越。例如，对于重复数百次的桌面任务（如“每天将发票上传到 QuickBooks”），与 LLM 驱动的智能体封装方案相比，Sai 节省了至少 90% 的 Token。这种成本降低背后的驱动力是 Simular 研究核心的神经符号方法：调用大语言模型进行发现和规划，一旦智能体摸索出流程，就将其编译为代码并进行确定性重放。

当 Sai 首次运行任务时，推理成本与其他智能体相同。但在重运行代码时，其边际成本接近于 0，而其他智能体每次都要承担相同的推理成本。当环境变化导致配方失效时，Sai 会回退到模型，重新计算后再回到代码执行模式。

是什么让机器人秘书在日常工作中好用

基准测试分数决定了该类别是否可行，而四个产品特性决定了用户是否会持续使用。

实时可见性：你始终能看到它在做什么

Sai 运行一个持久化的虚拟机视图（VM View）——一个实时显示智能体正在操作的虚拟机的窗口。当某个步骤不涉及计算机操作（如 API 调用、代码执行、文件转换）时，同一个窗口会显示当前的工作流进度及运行状态。

这之所以重要，是因为监管成本。一个只在最后汇报结果的计算机使用智能体，会迫使你对所有输出进行全面审计；而一个你可以随时扫视的智能体，则允许你在出错的步骤及时干预。可见性使自主运行变得可审查，而不是盲目的信任。

模型无关：支持任何模型，甚至是开源模型

机器人秘书不应只是某个供应商模型的封装。Sai 编排了前沿模型与专业模型的混合体，并且可以指向不同的模型——无论是你自己的 API Key、开源权重模型，还是本地运行的模型——从而避免将工作流绑定在单一供应商的定价和可用性上。

成本效率源于神经符号规划，而非更便宜的模型

OSWorld 2.0 的成本差距并非源于更换了廉价模型，而是源于代码化规划。计算机使用智能体 Sai 会为较长的子任务编写并运行代码，而不是为每次点击支付模型调用费用。Simular 的报告显示，通过在每轮操作中执行更多动作，Sai 的模型调用次数比纯模型方案减少了约 1.5 倍；在长周期任务中，通过自适应摘要和固定的提示词前缀将输入规模控制在一定范围内，Token 消耗量至少减少了 90%。其背后的观察结果是：智能体缺乏练习带来的幂律效应。人类在第一百次做同一项任务时会比第一次快得多，而纯模型驱动的智能体每次都要支付相同的推理成本。符号化规划为智能体补齐了这一缺失的曲线：一旦任务被解决，工作配方就变成了代码，重复执行几乎不需要成本。当环境发生变化导致配方失效时，智能体才会回退到模型，重新计算后再回到代码执行模式。 

Windows 与自带设备：智能体在你身边工作，而不是取代你

Sai 不仅能在远程虚拟机中运行，还能在你的本地 Windows 机器上运行。桌面智能体之所以令人不悦，是因为其排他性——智能体接管鼠标意味着你必须停止工作。Sai 的画中画模式将操作会话置于一个始终置顶的小窗口中，因此它可以在后台处理桌面应用程序，而你则可以继续在前台撰写文档。自带设备（BYOD）的运行方式还能将数据保留在原有的机器上，这对于文件不能离开终端的场景来说是决定性因素。

多虚拟机：如果给你 100 台会怎样？

单台云计算机是你打开的工具，而一个集群则是你唤醒的系统。Sai 可以在同一类任务上并行运行多个虚拟机——例如在五十个门户网站上填写同一份表格，或从二十个仪表板中提取同一份报告——从而使吞吐量随机器数量而非队列长度线性扩展。工作单位不再是“一个任务”，而是“一批任务”，瓶颈也从执行速度转移到了工作定义的清晰度上。

并行计算机使用在对抗性的实时条件下同样表现稳健：Simular 在将计算机使用扩展到实时游戏方面的研究，就是在不等待智能体思考的环境中测试相同的感知-行动循环。

谁应该考虑使用机器人秘书

以下这些角色的共同点在于：所使用的软件没有 API，任务需要重复进行且伴有细微差异，且目前仍由人工手动完成。

• 办公室职员和知识工作者每天都在不同的应用程序之间搬运信息，而这些程序在设计之初并未考虑互通——将电子邮件中的数字填入电子表格，将电子表格放入幻灯片，再将幻灯片存入共享驱动器。计算机使用智能体（Computer use agent）的作用是填补这些工具之间的空白，而不是取代其中任何一个。
• 销售和业务拓展团队对每个客户执行的流程都是一样的：丰富记录、检查上一次接触点、起草跟进内容、在 CRM 中记录活动。流程是固定的，变化的只有客户，而这正是多虚拟机并行执行所擅长的场景。
• 创业者和独立经营者无人可委派工作。智能秘书是你的第一位员工，它的成本低于外包人员，且能直接使用你现有的工具——处理发票、供应商门户、归档和收件箱分类。
• 市场和广告团队需要从各自拥有不同导出流程的平台中提取绩效数据，然后每周汇总成一份报告。这项工作属于定期批处理，而非创意决策。
• 电商运营人员需要在各个市场和卖家后台（如亚马逊卖家中心、Shopify、区域性市场）管理商品列表、价格和库存，其中大多数平台仅提供部分 API，且所有平台都会在不通知的情况下更改界面。
• 财务和会计团队通过 ERP 界面处理发票、报销、银行对账和月度报告，且每个字段都需要手动输入。这是大多数公司中工作量最大、变动性最小的案头工作。
• 人力资源和招聘团队需要筛选简历、在多个平台发布同一职位、生成录用通知书，并跨 ATS、薪酬系统和身份提供商完成入职清单。
• 投资分析师和研究人员需要从众多文件、仪表板或数据库中收集相同字段的数据，然后进行核对。收集数据是成本所在，而分析才是无法被替代的核心环节。
• IT 管理团队负责处理跨管理控制台的账户配置、许可证审计、设备检查和工单分类——这些工作频率高、规范明确，但通常不值得为此专门开发集成接口。
• 开发人员和 QA 人员使用计算机操作智能体进行 UI 回归测试、表单验证和跨浏览器检查，无需再维护那些因选择器变动而失效的测试脚本。
• 客户支持团队需要根据知识库回答问题、更新工单，并针对每个案例操作两到三个内部系统。回复只是可见的部分，而系统更新才是真正的工作。