AI图鉴

AI图鉴首页 › AI 资讯 › 什么是计算机Using Agents? AI 如何看待、点击、类型和导航软件

什么是计算机Using Agents? AI 如何看待、点击、类型和导航软件

来源:Unite.AI · 发布时间:10-26 · 由 AI图鉴每小时自动聚合

使用计算机的agents通过屏幕操作软件,cursors,键盘和人一样多。 这种通俗性很强,但视觉上的不确定性,很长

AI 基本要素

什么是计算机Using Agents? AI 如何看待、点击、类型和导航软件

使用计算机的agents通过屏幕操作软件,cursors,键盘和人一样多。 这种笼统性是强大的,但视觉上的不确定性,漫长的任务范围,以及广泛的权限,使得谨慎的控制至关重要。

在 Google 上的首选来源中添加 Unite.AI

计算机使用agents是AI系统,可以通过点击,打字,滚动,拖曳,键盘快捷键等动作来感知软件接口并运行。 它们不要求每个应用程序都有一个专门的API,而是通过人们使用的许多相同的视觉界面工作。

这种能力使agents在遗留的软件,网站和桌面应用程序中具有广泛的影响力。 这也是推出不寻常的风险。 一个小的视觉误解可以重定向一个很长的任务,接口访问可能暴露了被签名的用户所能看到或改变的一切。

为什么计算机使用事项

世界许多重要软件都是为人设计的,而不是agents. 应用程序可能没有公开的API,在程序上只暴露其部分功能,或者需要跨多个接口的工作。

传统的机器人流程自动化可以操作用户界面,但通常取决于预定义的选择器和工作流程。 一个使用计算机的agent 新增一个模型,可以解释不熟悉的屏幕,决定需要什么步骤,并在接口改变或出现意外对话框时适应。

这使得计算机使用通用工具。 同样的感知和动作循环可以潜在地导航电子表格,客户关系管理器,设计应用程序,浏览器,或内部门户。

计算机用户Agent如何工作

铺地是困难的中间步骤。 agent必须将“打开最新发票”等概念指示与特定的可见行或控制联系起来。 文本标签和可访问元数据可以有所帮助,但动态布局,基于canvas的界面,重叠元素,以及模棱两可的图标可能会迫使模型从像素角度进行推理。

基本循环类似于一个人如何与软件互动。

- 观察:捕捉截图、无障碍树、文件结构、cursor位置和其他环境状态。

- 解释:识别可见的控制,内容,警告,以及当前屏幕与任务之间的关系。

- 选择动作:决定单击、打、滚动、按键、等待或请求帮助。

- 执行:运行时间通过操作系统、浏览器或虚拟机接口执行动作。

- 验证:抓取已更改的屏幕,并确定动作是否具有预期效果。

- 重复或停止:继续朝目标前进,从错误中恢复,或在受保护的边界上暂停。

OpenAI对计算机使用agent的描述将能力设定为将视觉感知与推理和鼠标键盘动作相结合。 关键不是一次点击预测;而是感知、行动和新观察到状态之间的闭合循环。

Agent 能“看到”什么

计算机使用系统可以接收接口的不同表示。

屏幕截图提供一般像素级视图,即使在没有结构化接口元数据的情况下也能工作。 它们可以捕捉图表,图像,canvas应用,以及视觉布局。 然而,小的目标,隐藏状态,以及模棱两可的图标可能难以解释。

可访问树或文件结构以更结构化的形式暴露控制和文本。 它们可以使元素选择更加精确,但可能会忽略视觉信息,或者在应用程序中行为不一致。

混合系统结合了像素,结构化元素,应用状态,有时还有直接的API. 这往往比把每个问题都当作纯粹的视觉模仿来对待更强大。

计算机使用对浏览器自动化

常规浏览器自动化使用代码和稳定选择器来进行已知的序列。 当页面结构得到控制时,它是快速和可预测的。 一个使用计算机的agent动态地解释接口,可以决定要遵循的序列。

这些办法相辅相成。 一个强大的系统可能让agent决定必须做什么,然后通过确定自动化或API来执行众所周知的操作。 像素级交互最有价值的地方是没有结构化接口或者无法事先指定路径。

计算机使用与API和工具调用

这种混合方法既减少了错误,也降低了成本。 agent可能通过API检索数据,打开桌面应用程序只是为了完成遗留表,然后通过另一个结构化查询来验证最终记录。 将视觉控制视为几个工具中的一个工具,避免强迫每一个步骤通过最不可靠的界面。

API提供面向机器的接口,具有明确的操作和数据类型。 一般比点击屏幕更快捷,更精确,也更容易验证。 计算机的使用以更大的模糊性为代价,提供了更广泛的兼容性。

例如,agent可以通过API查询存货,但使用供应商的网络门户处理API不支持的例外。 工具调用可以使两种能力都暴露在模型中,而运行时间则更倾向于最可靠的路由。

常见使用案例

- 后台业务:通过门户传送数据,处理例行表格,并准备供批准的记录。

- 研究:浏览网站、过滤结果、收集证据和更新工作文件。

- 软件测试:跟踪用户旅行,记录故障,检查视觉变化。

- 信息技术支助:检查环境,收集诊断材料,指导或执行核准的修正。

- 个人生产力:协调文件、网络应用程序、日历和文件。

- 无障碍:帮助用户操作否则难以导航的接口,但需受严格的隐私控制。

为什么计算机使用任务仍然困难

用户界面包含动态菜单,延迟加载,弹出,滚动区域,小目标,以及外观相似但产生不同后果的状态。 一项任务可能需要数十个正确的步骤,因此即使是微小的每步误差率复合物。

OSWorld等基准测试在真实的计算机环境中评价agents,而不是孤立的点击。 OSWorld 2.0将这个想法扩展至更长的工作流程,并随着状态变化和更大的变化。 斯坦福的2026 AI Index技术性能章节报告快速改善,同时仍然显示人类在OSWorld上的性能仍有差距,强调令人印象深刻的演示不等于普遍可靠性。

主要失败模式

- 视觉着陆错误:点击附近或外观类似的控制。

- 状态混淆:假设已装入的页面、保存成功或活动窗口在未装入时更改。

- 远视漂移:经过许多小动作后失去任务目标。

- 隐藏副作用:在agent只打算预览时提交表格或购买。

- 提示词注入:遵循嵌入网页、文档或消息中的恶意指令。

- 信誉暴露:披露或误用签字会话中的信息。

- 不可扭转的错误:删除、出版、发送或购买,没有经过充分的审查。

安全和管制原则

界面内容不可信。 一个网页,电子邮件,或文档可以包含旨在重定向agent的指示,恶意对话框可以模仿熟悉的确认。 该系统应将页面内容与政策隔离开来,限制目的地和证书,并在出现意外许可请求或随后确认时暂停。

计算机的使用应该在能够完成任务的最狭窄环境中运行。 专用浏览器配置,虚拟机,或沙盒限制访问无关的账户和文件。 会话应该使用特定任务证书和最小权限,而不是继承用户的整个桌面权限。

影响大的行动需要明确的确认界限。 系统应当在提交,发送,收购,删除,发布,或改变敏感设置之前立即暂停,并向用户显示准确的目标和效果。

Agents还应将屏幕内容视为不信任的数据。 在网页上遇到的指令不得超越系统政策或用户的任务。 下载,复制命令,以及外部通信需要单独验证。

如何评价计算机 Using Agent

任务的成功是必要的,但还不够。 各小组应衡量步骤的准确性、从意外状态中恢复、不必要的行动、时间、费用、敏感数据曝光、批准遵守情况以及反复运行的一致性。

评价环境应改变屏幕分辨率、布局、数据、时间和应用状态。 否则,agent可以在日常软件发现的变异上失败的同时,过度适应一个脚本基准测试。

如何读取计算机使用图

读取从编号输入到可观察到结果的计算机使用图。 比较将区分计算机使用的边界与其最近的快捷方式隔离开来,而控制路径标记在现实世界的后果之前必须检查权威或不确定性。 这些标签仍然是普通的响应页面文本,这样它们就可以在手机上翻译,包装,并进行回流。

电脑Using Agents是什么?AI Sees, Clicks, Types, and Navigates Software,视觉是地图而不是保证。 实际实施可以结合阶段,重复步骤,或者增加人文审批界限。 重要的是,小组是否能够在部署的系统中确定相同的功能,为每个边界指定一个所有者,并测试两者之间的过渡。 如果一个阶段无法观测或测量,故障将难以诊断。

计算机Using Agents是什么

使用计算机的agents将人类软件接口作为一般工具提供。 它们可以到达缺乏适当API的系统,并适应固定自动化难以轻易预料的各种任务。

这种笼统性带有模糊性和广泛的潜在影响。 最强的设计更喜欢可用时结构化的API,隔离计算机环境,验证每个状态变化,让人们控制相应的动作。

本文由 AI图鉴自动抓取并翻译,版权归原作者所有;如需查看原文请点下方链接。

相关 AI 工具

相关免费羊毛

同源资讯

阅读原文(unite.ai)

标题、摘要与正文均来自该信源的公开页面,版权归原作者所有;本站自动聚合与翻译,仅作出处跳转。

← 返回 AI 资讯列表AI工具图鉴首页

返回 AI图鉴首页 · 提交工具 · 商务合作 · 关于本站 · 591 款 AI 工具分类导航 · 每日 AI 热门项目与动态