人工智能领域迎来新突破，一家科技公司近日为其桌面端智能体（Agent）推出两项创新功能——Pocket（测试版）与Computer Use，推动AI操作电脑的能力从技术演示迈向实际应用场景。用户现在可通过飞书、微信等主流即时通讯工具远程指挥Agent执行任务，同时赋予其模拟人类操作图形界面的能力，包括查看屏幕、移动鼠标、敲击键盘等。
此前，该公司已发布命令行工具MMX-CLI，使Agent能在终端调用多模态能力。此次更新聚焦图形界面交互，通过即时通讯工具构建统一入口，实现“手机远程调度、电脑自动执行”的闭环。例如，用户外出时可通过手机发送指令，让Agent在办公室电脑中查找文件、修改系统设置或操作专业软件，任务完成后直接将结果回传至对话窗口。
Pocket功能的核心价值在于打破空间限制。用户无需身处电脑前，只需在即时通讯工具中唤醒Pocket并发送指令，Agent即可在指定设备上执行任务。典型场景包括远程查找文件：用户发送“查看桌面是否有2025 report的PDF并发送”的指令后，Agent会定位文件并通过对话窗口回传，全程无需人工干预电脑。
Computer Use则赋予Agent“数字员工”的实操能力。通过屏幕截图识别内容、模拟鼠标键盘操作，Agent可处理无命令行接口的任务，如调整系统偏好设置、操作设计软件或跨应用数据搬运。例如，用户可要求Agent“打开系统设置，将屏幕保护程序启动时间设为永不，随后运行Pocket客户端的定时任务并截图反馈”。演示中，Agent精准完成多步操作，包括定位下拉菜单、启动应用程序及任务执行后的状态截图。
技术层面，该公司摒弃传统“单一工具截屏定位”的粗放模式，将桌面操作拆解为四大独立模块：Desktop Control负责基础交互（截图、点击、输入等）；Window Manager管理窗口状态（查询、切换、缩放等）；Browser Engine处理网页元素（DOM操作、导航等）；Clipboard实现剪贴板读写。Agent根据任务类型自动调用最优工具，例如切换窗口时直接调用系统接口而非依赖截图定位，显著提升操作精度。目前，Agent可调度的工具总数已超60个，涵盖即时通讯平台、命令行工具及桌面应用。
针对不同分辨率屏幕的适配问题，技术团队采用“相对坐标”方案：模型输出操作位置的百分比数值，由系统换算为实际像素坐标；截图则根据模型处理能力动态缩放，避免高分屏信息过载或低分屏模糊。例如，在4K与1080p屏幕上点击同一按钮，Agent均能准确计算实际坐标并完成操作。
为确保多步任务的可靠性，每项操作执行后均会触发自动验证：系统立即截图并由模型判断操作是否成功。若失败，Agent将启动诊断流程，尝试替代方案（如用键盘快捷键替代鼠标点击）；若多次重试无果，则向用户反馈具体卡点。安全机制方面，涉及文件删除等敏感操作时，Agent会暂停任务并通过即时通讯工具推送交互卡片（或文本指令），待用户授权后继续执行。用户也可随时发送指令中断任务。
随着OpenClaw、Anthropic等企业相继布局，AI操作电脑的能力正从实验室走向真实场景。然而，复杂界面识别、长任务稳定性及陌生软件适配仍是行业共性挑战。此次更新通过即时通讯入口降低使用门槛、模块化工具提升精度、步骤验证保障可靠性，为技术落地提供了可参考的路径。其实际效果仍需通过大规模用户反馈进一步验证。
