Computer Use与GUI Agent
当 Agent 像人类一样看屏幕、点鼠标、敲键盘，一种新的交互范式出现了。本文给出 Computer Use 的视觉-动作循环伪代码、action schema、定位策略（坐标 vs Set-of-Mark）、Tool Calling 与 Computer Use 的混合路由，以及为什么 OSWorld 72% 距离生产可用仍有 1-2 个数量级的差距。
当 Agent 像人类一样看屏幕、点鼠标、敲键盘，一种新的交互范式出现了。本文给出 Computer Use 的视觉-动作循环伪代码、action schema、定位策略（坐标 vs Set-of-Mark）、Tool Calling 与 Computer Use 的混合路由，以及为什么 OSWorld 72% 距离生产可用仍有 1-2 个数量级的差距。