能替你操作电脑的 AI 到底有几个真能用？我把 12 个挨个扒了一遍

2026-10-31silcano

我把市面上能替你操作电脑的 AI 挨个摸了一遍，结论很扫兴：能撒手不管的，一个都没有。但它们也不是玩具——有三类活已经能放心交出去，前提是你得知道是哪三类，以及哪三条线绝对不能碰。

这篇不聊参数，只讲两件事：这东西到底怎么运作，以及真实用户在里面踩了什么坑。素材来自各家官方文档、OSWorld 榜单，加上 Reddit、V2EX、小红书、B 站、虎嗅上一堆实测帖——包括几个把系统搞崩、最后重装电脑的。

· · ·

先泼一盆冷水：0.95 的 20 次方是 36%

所有电脑操作 Agent 都躲不开一道数学题。假设它单步成功率有 95%——这已经相当乐观了——那一个 20 步的任务，整体成功率是 0.95²⁰，大约 36%。

这就是为什么「帮我订张机票」（5 步）看着还行，「帮我规划并订完整个出差行程」（30 步）几乎必崩。长任务不是难一点，是指数级地难。

更麻烦的是出错之后的处理。人点错了会「啊」一声撤销重来，Agent 不会。它点错一个按钮，脑子里的世界模型就跟真实界面对不上了，然后基于错误认知继续往下走，越走越偏。早期 OpenAI Operator 用户反馈最多的就是「卡进死循环」。

还有一种更隐蔽的：假完成。有开发者实测，模型在删除确认弹窗还没加载完时截了图，只看到半个窗口，就判定页面已清空，直接输出 done。要是没人复核，这活就算「成功」了。

· · ·

第二盆冷水：跑分高，不等于能干活

2026 年 7 月 27 日，OSWorld 榜单更新，杭州的实在智能用「实在 Agent」拿下 90.19%，而人类操作员在同一个基准上的基线是 72.36%。这是这个基准 2024 年设立以来第一次破 90%。同期 Claude 在更难的 OSWorld 2.0 上，Opus 5.5 报 81.8% 的部分分、完全完成率 48.7%。数字确实漂亮。

但同一个月，有人拿智谱 GLM 5.2 的智能体去干一件特别具体的事：1688 后台批量报名商品。进去、找到招商页、逐个点进去、符合条件的点报名、提交。40 分钟后，报上 0 个。同一个活，他之前让 Claude 在 Chrome 里跑坐标点击循环，报了约 670 个。

670 比 0。

榜单考的是「标准软件里的标准任务」，你的活是「跨系统、带登录、带异常、还带老板催」。这中间的落差，比榜单第一名和第十名的差距还大。

· · ·

拆开看：这东西到底怎么运作

不管包装成什么样，链路都是三步：看、想、动。

看有两条路。一条是截屏丢给视觉模型（视觉派），一条是读系统的辅助功能树——macOS 的 Accessibility API、Windows 的 UIAutomation（结构派）。视觉派什么界面都能对付，包括 Canvas 画的和 Flash 的老系统，但慢，而且飘；结构派准，可碰上 Electron 套壳的应用，那棵树浅得跟白纸一样，什么也读不到。

现在做得好的都是混着来：先读树，读不到再截图，截图失败再换兄弟窗口。

动也有两条路，这条更影响你日常体验。一种是抢你的鼠标键盘，它跑起来你啥也干不了；一种是后台虚拟光标，它点它的，你干你的。Codex 的 Computer Use 主打的就是后者——后台跑、多 Agent 并行、不抢键鼠，这是它目前最实在的优势。

顺带说个特别常见的坑：坐标漂移。模型看到的是截图，输出的是坐标，但截图尺寸和你屏幕的物理像素经常不是一回事。4K 屏加 150% 缩放，它以为点在 (100, 200)，实际戳到了 (150, 300)。有人在 2K 外接屏上全调通了，换到笔记本一跑，次次点偏。

· · ·

四个门派，十二个选手

门派一：原厂派——模型公司自己下场

1. Claude（Computer Use / Cowork）

这个品类的开创者，到现在还是第一梯队。真正让人服气的是文件类活：有人把 87 个乱七八糟的下载文件丢给它，90 秒分好类；有人让它按画面内容整理 2900 张截图，它自己建出「代码报错」「设计稿」「客户提案」这些文件夹。

吐槽也很集中。第一是烧 token 烧得像个碎木机，Reddit 原话。一次中等复杂度的会话能吃掉 Pro 套餐半个月的额度，多个评测干脆把 20 美元那档叫「demo」，说 100 美元的 Max 才算真入门。第二是误删：有个被到处转的 11GB 删除事件，起因就是一句范围太宽的写入指令。Reddit 上有人留了句特别实在的话——「我就是怕它把我数据铲了。不了，谢谢。」第三是只支持 macOS，Windows 用户到现在还在等；而且电脑合盖、App 关掉，定时任务就断，有人因为 MacBook 夜里合着盖，连着两次错过周一的例行任务。

还有一条得单独说：prompt injection 不是理论风险。Cowork 上线 48 小时内，安全公司 PromptArmor 就复现了攻击——文档里藏一段白底白字，触发 curl 把文件传出去。Anthropic 事后补了 CVE，但自家文档写得很明白：「Agent 安全仍是行业活跃研究领域」。他们自己也不建议拿它跑受监管的业务。

2. Codex Computer Use（OpenAI）

2026 年 4 月 16 日随 Codex App 上线。限制写得相当直白：只有 macOS，而且要 Apple Silicon，Intel Mac 直接出局；欧洲经济区、英国、瑞士因为隐私合规压根没开放；不能操作终端类应用，不能操作 Codex 自己，也不能替你点掉系统授权弹窗。

实测账单更值得看。有人拿真实 Next.js 项目跑了一整天：一个「给接口加游标分页」的简单任务吃掉约 4.8 万 token；一次线上偶发 500 的排查来回十几轮，烧了 18 万 token，单次成本 12 到 15 块。多 Agent 并行那段最有意思——理论 3 倍效率，实测 2.3 倍，因为两个 Agent 同时改同一个文件，互相覆盖了三次，文件最后成了一锅粥。多 Agent 目前没有文件锁。

但后台跑、不抢键鼠这一条，确实比 Claude 顺手。你该干嘛干嘛，它自己在一旁点。

3. Kimi CU（月之暗面）

这个路子最不一样：它走 MCP。装完之后 Claude Code、Codex、Kimi Code 都能挂上，其他符合 MCP 规范的 Agent 也能接。有人甚至拿完全没有视觉能力的纯文本模型（DeepSeek v4 Flash）把它跑通了——因为界面理解交给 harness，走辅助功能树，模型只负责出决策。官方卖点是一句话：「不抢鼠标，不切前台」。

短板在安装。别指望一键，得先在 Kimi Code 里敲 /plugin，装完才会多出一个 Kimi CU 应用，再去系统设置里给辅助功能和屏幕录制授权。版本号还是 0.5.x。

4. Google（Gemini Computer Use / Project Mariner）

基本盘在 Chrome 里，桌面应用碰不到。优势是读 DOM 不猜坐标，所以在网页任务上比纯视觉派稳。适合那种「只在浏览器里发生」的活。

门派二：产品派——封装成点开就能用的

5. WorkBuddy（腾讯）

它跟我现在待的这台机器是同一套东西，所以点评得客气点，但也不能瞎吹。它的边界很明确：在授权目录里读写文件、调内置技能，不是整块屏幕随便点。整理文件夹、改 Word 排版、按模板出周报，它很稳；你要它钻进一个没 API 的老后台挨个点按钮，它不干这个。

10 月 28 日它上线了手机远程接管——手机上能实时看电脑桌面，还能直接控鼠标、调键盘，专治「Agent 卡在登录页，人在地铁上」。这设计挺聪明，等于把「人在回路」从「守在电脑前」变成了「随时能接管」。代价是要开屏幕录制和辅助功能权限，一台电脑同一时间只接一部已认证手机。

短板也实在：跨生态弱（飞书、钉钉联动基本没有），模型能力跟着接进来的模型走——平台只是载体，抹不平模型本身的短板。

6. Kimi Work

本地文件夹挂载、浏览器自动化（WebBridge）、Goal 模式、定时任务，Mac 和 Windows 都有，免费用也能跑（定时任务限 2 个）。有人用了半天总结得挺准：界面清爽、插件生态还行、看板好用；但资源消耗是黑箱，只给你看个百分比，看不到明细；模型只能用自家的 K3 和 K2.8 Preview，不能换。

7. 豆包专业版（字节）

这个翻车案例最多，也最有教育意义。68 元一个月，主打「操作本地电脑」，Windows 先行，Mac 和鸿蒙还在等。

最集中的事故是清 C 盘。不少用户开了「本地电脑」权限让它自动清垃圾，结果它把驱动、运行库当缓存删了，JDK 和办公软件直接报废，最后系统崩了重装。原因不复杂——它只能看文件名，分不清系统核心文件和垃圾缓存。还有人让它给自己升级版本，它把自己卸载了。

第二类是幻觉直接落到执行层。有用户让它做个每天抓行业热点的面板，它连着五轮都说「链接全部修好了」「10 条新闻 100% 真实」，一核查全是死链。幻觉在聊天里错一句话，到了执行层错的是一个操作。

第三是额度。标准套餐号称免费版 5 倍，但同时有 5 小时和 7 天两道闸。有用户不到 10 轮对话就撞了两道墙，任务当场中断，还不能打包交给别的工具接力，只能干等一周。退款那边给的理由是「虚拟商品原则上不支持退款」，律师看了说这大概率是霸王条款。

8. Manus「My Computer」

云脑加本地手：模型在云端想，命令发到本地跑。评测给 7/10，夸的是权限模型（每条终端命令都要你点头）和远程派活。骂的是 credits——复杂任务一次 500 到 900 点，20 美元档 4000 点，折合 4 到 5 个复杂任务；当月用不完清零；高峰期直接弹「服务器过载」，不让开新任务。另外它被 Meta 收购之后，数据落在谁的框架下，是个得自己读隐私条款的问题。

门派三：开源派——自己搭，自己扛

9. UI-TARS Desktop（字节开源）

36k star，Apache 2.0，视觉派代表。它的价值在「不需要 DOM、不需要 selector、不需要写 XPath」——看截图就能认出按钮在哪。有人拿它替掉 Selenium 跑 200 多个 UI 用例，测试代码从 8000 行降到 1500 行；也有人用它啃 Canvas 画的老系统，那是传统 RPA 的死角。

代价是慢和飘。单步 3 到 8 秒，复杂任务分钟级；只支持单显示器；中文界面识别还不稳，简单任务八成上下，复杂任务四五成。有人在干净容器里跑它的测试套件，337 个用例挂了 57 个。

10. OpenClaw

25 万 star，是这个赛道声量最大的开源项目。它其实不走「电脑操作」那条路——它是常驻在你机器上的一个 Agent，能读写文件、跑 shell、调工具，你通过微信、Telegram、Discord 指挥它。Skills 生态很猛，成本也猛：重度用一个月，电费加 API 加存储几百美元。

虎嗅有篇《第一批玩 OpenClaw 的人，已经开始清醒了》，问题说得很透：部署靠本地环境，系统版本差一点就跑不起来，修一次半小时起；能力上限完全取决于接的模型，接个差模型会「删光邮件」或者编数据；最核心的顾虑是执行过程不可见，很多人最后退回「半自动」。电商上还有 198 到 566 元的代安装服务，卖了 900 多单——这本身就说明门槛在哪。

11. browser-use / Agent TARS

浏览器向，读 DOM 不猜坐标，网页任务上比视觉派稳。缺点是出了浏览器就废。如果你只是要把一堆网页上的数据扒下来，这类工具比全套桌面 Agent 靠谱得多，也便宜得多。

门派四：企业派——RPA 转身

12. 实在 Agent（实在智能）

OSWorld 总榜和 Agentic Framework 分榜双料第一，90.19%。拆开看更能说明问题：跨应用协同 93 个任务拿 78.81 分，领先第二名近 10 个百分点；GIMP 那种非标界面 26 个任务完成 24 个；系统底层操作 24 个任务满分零失误。它服务了 6000 多家企业，底子是八年 RPA。

这类东西的特点：不便宜、要实施、界面不好看，但能审计、能回滚、出错有人背。个人用户基本用不上，几十人以上的流程自动化才划算。同门还有 UiPath 的 Screen Agent，和微软的 Copilot（Agent 365）——后者强在 Office 和 Purview 那套合规体系里，代价是价格高一档。

· · ·

一张表看完

产品	平台	起步价	最能干的活	主要槽点
Claude Cowork	macOS	$20/月（实用得 $100）	文件整理、批量产出	token 烧得凶、误删、无 Windows
Codex CU	macOS + Apple Silicon	$20/月	开发流里的 GUI 操作	账单贵、不能碰终端、地区受限
Kimi CU	macOS	随 Kimi 套餐	跨 Agent 复用同一双手	安装绕、版本还早
Gemini / Mariner	Chrome	$20/月	纯网页任务	出不了浏览器
WorkBuddy	macOS / Win	免费档起	授权目录内的办公活	生态偏腾讯、跨生态弱
Kimi Work	macOS / Win	免费档起	定时任务、本地数据分析	消耗黑箱、模型锁死
豆包专业版	Windows 先行	68 元/月	出初稿、整文件	事故多、额度双闸、退款难
Manus My Computer	macOS / Win	$20/月	远程派活、研究型任务	credits 玄学、峰值排队
UI-TARS Desktop	三平台	开源免费	无 API 老系统、GUI 测试	慢、单屏、中文不稳
OpenClaw	三平台	开源 + API 费	常驻、定时、跨渠道指挥	门槛高、过程不可见、贵
实在 Agent	Win / Linux	企业报价	跨应用长链路、强合规	要实施、个人用不上

表格里的价格都是写这篇时的挂牌价，别当合同看。

· · ·

怎么选：按活分，别按产品分

排行榜别看了，看你的活长什么样。四类，互不重叠。

第一类，可逆的文件活。整理、重命名、批量转格式、出初稿、填模板。错了能撤回，是现在最成熟的甜区。Kimi Work、WorkBuddy、Claude Cowork 都能干，挑顺手的、便宜的。

第二类，需要眼睛的 GUI 活。没 API 的老系统、Canvas 画的界面、只能靠点的内部工具。走视觉派：UI-TARS Desktop、Codex CU。务必放在虚拟机或独立用户里跑。

第三类，长链路跨应用。下载、编辑、截图、发邮件，中间还得处理异常。这一类目前只有企业级 RPA 派敢接，个人产品基本都会在第八步之后迷失。

第四类，24 小时常驻。定时报表、监控、早报。OpenClaw（扔服务器上）、Kimi Work 的定时任务、Manus 云端模式。注意本地方案的前提是电脑不关机、不合盖。

三条红线

一，不可逆的别给：删除、覆盖、动系统目录、卸载软件。豆包那批把系统搞崩的案例，全在这条线上。

二，要登录、要密码、要付钱的别给。屏幕截图会连着密码框一起传上去，别赌它认不出来。

三，没备份的重要资料别给。开写入权限之前先备份——这句话在几乎每一个翻车帖里都能看到。

最后说点判断

这个品类现在的位置，大概相当于十年前的 RPA：真能用，但只能用在「错了也没关系」的地方。

接下来决定胜负的不是模型分数，是三件工程上的事。第一，能不能随时中断——这是 OpenClaw 被骂最多的一条。第二，做完能不能回读验证——有人实测连续四次写入工具都报成功，截图一看前三次输入框是空的。第三，有没有审计日志，出事了能不能倒查。谁把这三件做扎实，谁才有资格从「演示很帅」变成「每天真用」。

至于现在：只想要个干杂活的，Kimi Work 或 WorkBuddy 免费档先试，别急着买年包；想折腾的，UI-TARS 加个虚拟机，是目前性价比最高的「一双能看见屏幕的手」；非要全自动的，先把备份做好，然后接受大概三成任务会失败。

毕竟 0.95 的 20 次方，就是 36%。