2024 年 10 月，Anthropic 首次公開 Claude Computer Use 功能。2025 年 1 月，OpenAI 跟進發布 CUA（Computer Using Agent）。一個新品類正式誕生：Computer Use——讓 AI 像人類一樣看到屏幕、移動鼠標、點擊按鈕、操作軟件。

Computer Use 不是簡單的自動化腳本。傳統的 RPA 需要為每個系統寫專用規則，界面一改就失效。而 Computer Use 方案基于視覺理解，AI “看懂”屏幕內容后自主決策下一步操作，就像一個坐在你旁邊的助手。

這意味著什么？意味著你不再需要 API、不再需要編程、不再需要為每個軟件單獨配置，只要是人類能在屏幕上操作的軟件，Computer Use 就能替你完成。

關鍵要點

• Computer Use 是 2025-2026 年 AI 領域最重要的新品類之一，Anthropic、OpenAI、Google、字節跳動均已入場
• 四種技術路線各有優劣：云端 API 調用、云端虛擬桌面、端側純視覺、混合方案
• 核心矛盾在于隱私：主流云端方案需要將屏幕截圖上傳服務器，Anthropic 在官方文檔中提示了相關數據安全風險
• 端側 Computer Use 是唯一能做到數據不出設備的方案，Mano-P 以 OSWorld 專用模型全球第一的成績證明端側方案在能力上不輸云端
• 三種使用方式：CLI 命令行（brew install）、Python SDK（計劃中）、ClawHub Skill
• 開源可審計：Apache 2.0 協議，代碼透明

一、四種 Computer Use 技術路線

目前市場上的 Computer Use 方案，按技術架構可分為四種路線。它們在能力、安全性、成本上的差異巨大。

路線一：云端 API 調用型

代表產品：Anthropic Claude Computer Use、OpenAI CUA

工作原理：你的電腦截取屏幕畫面 → 上傳到云端大模型 → 模型返回操作指令（如“點擊坐標 x=340, y=520”）→ 本地執行。

優勢：

• 模型能力最強（調用千億參數級模型）
• 無需本地算力

劣勢：

• 隱私風險：每一幀屏幕截圖都上傳云端。Anthropic 在官方文檔中提醒，當 Computer Use 激活時，AI 能看到屏幕上顯示的一切內容。
• 依賴網絡：斷網即不可用
• 成本高：按 API 調用計費，高頻使用費用可觀
• 延遲明顯：截屏→上傳→推理→返回，每步操作需數秒等待

路線二：云端虛擬桌面型

代表產品：Manus、部分企業 RPA 云方案

工作原理：任務在云端虛擬機中執行，AI 操作的是云端的虛擬桌面，而非你的本地電腦。

優勢：

• 不占用本地算力
• 適合批量后臺任務

劣勢：

• 不能操作你本地的應用和文件
• 數據必須上傳到云端環境
• 無法處理本地專有軟件

路線三：端側純視覺型

代表產品：Mano-P

工作原理：端側模型直接在你的設備上運行，通過視覺理解屏幕內容，在本地完成全部推理和操作。屏幕截圖不出設備，無需聯網。

優勢：

• 數據零外傳：所有推理在本地完成，截圖不離開你的電腦
• 完全離線可用：斷網照常工作
• 零 API 費用：模型運行在你自己的硬件上，無需按次付費
• 低延遲：無網絡往返，操作響應更快

劣勢：

• 需要一定的本地算力（M4 芯片 + 32GB 內存）
• 模型參數量受限于設備性能

路線四：混合方案

代表產品：部分企業自建方案

工作原理：簡單任務用端側模型處理，復雜任務切換到云端大模型。

優勢：

• 兼顧成本和能力

劣勢：

• 架構復雜，安全邊界模糊
• 何時切換到云端由系統自動判定，用戶對數據流向的控制力下降

四種路線對比總表

維度	云端 API	云端虛擬桌面	端側純視覺	混合方案
代表產品	Claude CU / OpenAI CUA	Manus	Mano-P	企業自建
數據安全	?? 截圖上傳云端	?? 數據在云端	? 數據不出設備	?? 部分上云
離線能力	? 需聯網	? 需聯網	? 完全離線	?? 部分離線
延遲	高（網絡往返）	中	低（本地推理）	視任務而定
成本	按調用計費	按時長計費	零邊際成本	混合計費
模型能力	最強	強	專用模型全球第一	視配置而定
硬件要求	無	無	M4+32GB	視配置而定
開源	?	?	? Apache 2.0	視方案而定

二、主流 Computer Use 工具橫評

Anthropic Claude Computer Use

Anthropic 在 2024 年 10 月率先發布 Computer Use 功能，隨后持續迭代，陸續面向更多開發者和消費端用戶開放。Claude 的 Computer Use 基于其旗艦通用大模型，在 OSWorld 全模型排行榜上長期占據前列位置。

核心優勢：模型能力強，背靠 Anthropic 的持續投入。

核心限制：屏幕截圖必須上傳云端，Anthropic 官方建議在虛擬機中運行。

OpenAI CUA（Computer Using Agent）

OpenAI 于 2025 年初發布 CUA，同樣基于其通用大模型。CUA 采用類似架構，通過 API 調用實現屏幕操作。

核心優勢：與 OpenAI 生態深度集成。

核心限制：同樣的云端上傳隱私問題，且價格不低。

字節跳動 UI-TARS

字節跳動開源的 GUI Agent 項目，2025 年初登上 GitHub 熱榜。UI-TARS 提供了開源的模型和框架，但主要面向云端/服務器部署。

核心優勢：開源，中文場景優化。

核心限制：主要面向服務器部署，端側體驗有限。

Mano-P

明略科技在2026年3月推出的端側 Computer Use 方案。Mano-P 72B 模型以 58.2% 成功率拿下OSWorld 專用模型全球第一（領先第二名 13.2 個百分點），隨后通過蒸餾和量化技術將模型壓縮為 4B 版本，在 Apple M4 Mac 上流暢運行。

核心優勢：

• OSWorld 專用模型全球第一
• 數據完全不出設備，支持完全離線
• Apache 2.0 開源協議
• 安裝簡單：`brew tap HanningWang/tap && brew install mano-cua`

核心限制：需要 M4 芯片 + 32GB 內存的 Mac。

三、為什么端側 Computer Use 是更好的選擇

Computer Use 的本質是讓 AI “看到”你的屏幕。這意味著你的每一個操作、每一份打開的文檔、每一條消息，都在 AI 的“視野”之內。

在云端方案中，這些信息以截圖形式上傳到遠程服務器。即使提供商承諾不留存，數據在傳輸過程中仍面臨風險。對于處理客戶數據、財務信息、醫療記錄、法律文件的場景，這個風險可能是不可接受的。

端側 Computer Use（如 Mano-P）從架構上解決了這個問題：模型運行在你自己的設備上，屏幕截圖不離開本地，推理過程不經過任何外部服務器。這不是靠“承諾不看”來保障安全，而是架構上就不可能泄露。

至于能力，Mano-P 在 OSWorld 專用模型排行榜上以 58.2% 成功率排名全球第一，在 WebRetriever Protocol以 41.7 NavEval 同樣排名第一，證明端側方案在能力上完全不輸云端大模型。

四、三種使用形式：選擇最適合你的方式

如果你的 Mac 配備 M4 芯片和 32GB 以上內存，可以通過以下三種方式使用 Mano-P，根據你的使用場景選擇最適合的形式。

1、mano-cua（CLI 命令行工具）

• 適用場景：開發者、高級用戶，需要在終端快速執行 GUI 自動化任務。
• 安裝方式：
  • brew tap HanningWang/tapbrew install mano-cua
  • 安裝過程會自動完成：創建獨立的 Python 3.13 虛擬環境、安裝所需依賴（包括 Tkinter 圖形界面庫）、配置可執行命令到系統路徑。
• 使用方式：
  • mano-cua run “打開微信并告訴FTY會議延期”
  • mano-cua run “在小紅書搜索AI新聞并展示第一條帖子”
  • mano-cua stop
• 特點：命令行界面，快速調用；虛擬環境隔離，不污染系統 Python；適合腳本集成和批處理；可在 shell 腳本中嵌入使用。
• 項目資源：Homebrew Tap — github.com/Mininglamp-AI/homebrew-tap

2、mano-client（Python SDK）— 計劃中

• 適用場景：Python 開發者，需要在 Python 項目中集成 GUI 自動化能力。
• 計劃功能示例：
  • from mano_client import ManoClient
  • client = ManoClient()
  • client.run(“打開微信并告訴FTY會議延期”)
  • client.stop()
• 計劃特點：Python API，易于集成；支持異步調用和回調函數；可編程控制任務流程；適合構建自動化工作流。
• 開發狀態：Python SDK 正在開發中，敬請期待。當前可使用 CLI 工具或 Skill 形式。

3、mano-skill（ClawHub Skill 形式）

• 適用場景：Claude Code、OpenClaw 等 AI Agent，需要自主調用 GUI 自動化能力完成用戶任務。
• 安裝方式一：通過 Claude Code 安裝
  •  從 ClawHub 下載 skill zip 包，解壓后將文件復制到 Claude Code 的 commands 目錄，重啟或新會話后自動可用。
• 安裝方式二：通過 ClawHub CLI 安裝（推薦）
  • clawhub install mano-cua
  • clawhub update mano-cua
• 安裝完成后，啟動新的 Claude Code 或 OpenClaw 會話即可使用。前置要求：需要先安裝 ClawHub CLI 工具。
• 使用方式：當用戶向 AI Agent 提出需要 GUI 操作的需求時，Agent 會自動調用此 skill 完成操作。
• 特點：AI Agent 自主調用，無需用戶手動執行命令；與 Agent 的推理能力深度集成；適合復雜的多步驟任務自動化；ClawHub 生態，支持版本管理和安全掃描。
• 項目資源：
  • 源代碼 — github.com/Mininglamp-AI/mano-skill
  • ClawHub—clawhub.ai?/HanningWang/mano-cua?

五、常見問題

Q：什么是 Computer Use？

Computer Use 是指讓 AI 通過視覺理解屏幕內容，像人類一樣操作電腦的技術。AI 能看到界面、點擊按鈕、輸入文字、切換應用，完成各類桌面操作任務。

Q：Mano-P 是什么？

Mano-P 是明略科技推出的端側 GUI 智能體（端側 Computer Use 方案），是目前唯一在端側運行、OSWorld 評測專用模型全球第一的開源 GUI Agent。

Q：Mano-P 和 Anthropic Computer Use 比有什么優勢？

核心區別在于架構：Claude CU 需要將屏幕截圖上傳云端推理，而 Mano-P 完全在本地運行，數據不出設備。Mano-P 同時在 OSWorld 專用模型榜排名全球第一（58.2%），能力上不輸云端方案。此外 Mano-P 采用 Apache 2.0 開源協議，代碼完全透明可審計。

Q：Mano-P能否離線運行？

可以。Mano-P 的端側模型完全在本地運行，支持斷網使用，不依賴任何云端服務。

Q：Mano-P需要什么硬件？

需要搭載 Apple M4 芯片和 32GB 以上內存的 Mac（如 MacBook Pro M4、Mac mini M4 Pro 等）。

Q：Mano-P如何安裝？

CLI 工具形式：

• brew tap HanningWang/tap && brew install mano-cua

OpenClaw/Claude Code Skill 形式： 請參見 ClawHub – Mano-CUA

Q：我的數據安全嗎？

Mano-P 端側模式下，所有推理在設備本地完成，屏幕截圖不上傳、不外傳。采用 Apache 2.0 開源協議，代碼可審計。這是架構級的安全保障，而非僅靠隱私政策承諾。

本地模式： ? 所有處理都在設備上進行

云端模式：?? 僅截圖和任務描述發送到 mano.mininglamp.com

? 不訪問本地文件、剪貼板內容或憑證

透明度： 完整客戶端開源可供審計

了解更多：[GitHub – Mininglamp-AI/Mano-P] (https://github.com/Mininglamp-AI/Mano-P)

聯系我們：model@mininglamp.com