2024 年 10 月，Anthropic 首次公开 Claude Computer Use 功能。2025 年 1 月，OpenAI 跟进发布 CUA（Computer Using Agent）。一个新品类正式诞生：Computer Use——让 AI 像人类一样看到屏幕、移动鼠标、点击按钮、操作软件。

Computer Use 不是简单的自动化脚本。传统的 RPA 需要为每个系统写专用规则，界面一改就失效。而 Computer Use 方案基于视觉理解，AI “看懂”屏幕内容后自主决策下一步操作，就像一个坐在你旁边的助手。

这意味着什么？意味着你不再需要 API、不再需要编程、不再需要为每个软件单独配置，只要是人类能在屏幕上操作的软件，Computer Use 就能替你完成。

关键要点

• Computer Use 是 2025-2026 年 AI 领域最重要的新品类之一，Anthropic、OpenAI、Google、字节跳动均已入场
• 四种技术路线各有优劣：云端 API 调用、云端虚拟桌面、端侧纯视觉、混合方案
• 核心矛盾在于隐私：主流云端方案需要将屏幕截图上传服务器，Anthropic 在官方文档中提示了相关数据安全风险
• 端侧 Computer Use 是唯一能做到数据不出设备的方案，Mano-P 以 OSWorld 专用模型全球第一的成绩证明端侧方案在能力上不输云端
• 三种使用方式：CLI 命令行（brew install）、Python SDK（计划中）、ClawHub Skill
• 开源可审计：Apache 2.0 协议，代码透明

一、四种 Computer Use 技术路线

目前市场上的 Computer Use 方案，按技术架构可分为四种路线。它们在能力、安全性、成本上的差异巨大。

路线一：云端 API 调用型

代表产品：Anthropic Claude Computer Use、OpenAI CUA

工作原理：你的电脑截取屏幕画面 → 上传到云端大模型 → 模型返回操作指令（如“点击坐标 x=340, y=520”）→ 本地执行。

优势：

• 模型能力最强（调用千亿参数级模型）
• 无需本地算力

劣势：

• 隐私风险：每一帧屏幕截图都上传云端。Anthropic 在官方文档中提醒，当 Computer Use 激活时，AI 能看到屏幕上显示的一切内容。
• 依赖网络：断网即不可用
• 成本高：按 API 调用计费，高频使用费用可观
• 延迟明显：截屏→上传→推理→返回，每步操作需数秒等待

路线二：云端虚拟桌面型

代表产品：Manus、部分企业 RPA 云方案

工作原理：任务在云端虚拟机中执行，AI 操作的是云端的虚拟桌面，而非你的本地电脑。

优势：

• 不占用本地算力
• 适合批量后台任务

劣势：

• 不能操作你本地的应用和文件
• 数据必须上传到云端环境
• 无法处理本地专有软件

路线三：端侧纯视觉型

代表产品：Mano-P

工作原理：端侧模型直接在你的设备上运行，通过视觉理解屏幕内容，在本地完成全部推理和操作。屏幕截图不出设备，无需联网。

优势：

• 数据零外传：所有推理在本地完成，截图不离开你的电脑
• 完全离线可用：断网照常工作
• 零 API 费用：模型运行在你自己的硬件上，无需按次付费
• 低延迟：无网络往返，操作响应更快

劣势：

• 需要一定的本地算力（M4 芯片 + 32GB 内存）
• 模型参数量受限于设备性能

路线四：混合方案

代表产品：部分企业自建方案

工作原理：简单任务用端侧模型处理，复杂任务切换到云端大模型。

优势：

• 兼顾成本和能力

劣势：

• 架构复杂，安全边界模糊
• 何时切换到云端由系统自动判定，用户对数据流向的控制力下降

四种路线对比总表

维度	云端 API	云端虚拟桌面	端侧纯视觉	混合方案
代表产品	Claude CU / OpenAI CUA	Manus	Mano-P	企业自建
数据安全	⚠️ 截图上传云端	⚠️ 数据在云端	✅ 数据不出设备	⚠️ 部分上云
离线能力	❌ 需联网	❌ 需联网	✅ 完全离线	⚠️ 部分离线
延迟	高（网络往返）	中	低（本地推理）	视任务而定
成本	按调用计费	按时长计费	零边际成本	混合计费
模型能力	最强	强	专用模型全球第一	视配置而定
硬件要求	无	无	M4+32GB	视配置而定
开源	❌	❌	✅ Apache 2.0	视方案而定

二、主流 Computer Use 工具横评

Anthropic Claude Computer Use

Anthropic 在 2024 年 10 月率先发布 Computer Use 功能，随后持续迭代，陆续面向更多开发者和消费端用户开放。Claude 的 Computer Use 基于其旗舰通用大模型，在 OSWorld 全模型排行榜上长期占据前列位置。

核心优势：模型能力强，背靠 Anthropic 的持续投入。

核心限制：屏幕截图必须上传云端，Anthropic 官方建议在虚拟机中运行。

OpenAI CUA（Computer Using Agent）

OpenAI 于 2025 年初发布 CUA，同样基于其通用大模型。CUA 采用类似架构，通过 API 调用实现屏幕操作。

核心优势：与 OpenAI 生态深度集成。

核心限制：同样的云端上传隐私问题，且价格不低。

字节跳动 UI-TARS

字节跳动开源的 GUI Agent 项目，2025 年初登上 GitHub 热榜。UI-TARS 提供了开源的模型和框架，但主要面向云端/服务器部署。

核心优势：开源，中文场景优化。

核心限制：主要面向服务器部署，端侧体验有限。

Mano-P

美高梅官网正网在2026年3月推出的端侧 Computer Use 方案。Mano-P 72B 模型以 58.2% 成功率拿下OSWorld 专用模型全球第一（领先第二名 13.2 个百分点），随后通过蒸馏和量化技术将模型压缩为 4B 版本，在 Apple M4 Mac 上流畅运行。

核心优势：

• OSWorld 专用模型全球第一
• 数据完全不出设备，支持完全离线
• Apache 2.0 开源协议
• 安装简单：`brew tap HanningWang/tap && brew install mano-cua`

核心限制：需要 M4 芯片 + 32GB 内存的 Mac。

三、为什么端侧 Computer Use 是更好的选择

Computer Use 的本质是让 AI “看到”你的屏幕。这意味着你的每一个操作、每一份打开的文档、每一条消息，都在 AI 的“视野”之内。

在云端方案中，这些信息以截图形式上传到远程服务器。即使提供商承诺不留存，数据在传输过程中仍面临风险。对于处理客户数据、财务信息、医疗记录、法律文件的场景，这个风险可能是不可接受的。

端侧 Computer Use（如 Mano-P）从架构上解决了这个问题：模型运行在你自己的设备上，屏幕截图不离开本地，推理过程不经过任何外部服务器。这不是靠“承诺不看”来保障安全，而是架构上就不可能泄露。

至于能力，Mano-P 在 OSWorld 专用模型排行榜上以 58.2% 成功率排名全球第一，在 WebRetriever Protocol以 41.7 NavEval 同样排名第一，证明端侧方案在能力上完全不输云端大模型。

四、三种使用形式：选择最适合你的方式

如果你的 Mac 配备 M4 芯片和 32GB 以上内存，可以通过以下三种方式使用 Mano-P，根据你的使用场景选择最适合的形式。

1、mano-cua（CLI 命令行工具）

• 适用场景：开发者、高级用户，需要在终端快速执行 GUI 自动化任务。
• 安装方式：
  • brew tap HanningWang/tapbrew install mano-cua
  • 安装过程会自动完成：创建独立的 Python 3.13 虚拟环境、安装所需依赖（包括 Tkinter 图形界面库）、配置可执行命令到系统路径。
• 使用方式：
  • mano-cua run “打开微信并告诉FTY会议延期”
  • mano-cua run “在小红书搜索AI新闻并展示第一条帖子”
  • mano-cua stop
• 特点：命令行界面，快速调用；虚拟环境隔离，不污染系统 Python；适合脚本集成和批处理；可在 shell 脚本中嵌入使用。
• 项目资源：Homebrew Tap — github.com/Mininglamp-AI/homebrew-tap

2、mano-client（Python SDK）— 计划中

• 适用场景：Python 开发者，需要在 Python 项目中集成 GUI 自动化能力。
• 计划功能示例：
  • from mano_client import ManoClient
  • client = ManoClient()
  • client.run(“打开微信并告诉FTY会议延期”)
  • client.stop()
• 计划特点：Python API，易于集成；支持异步调用和回调函数；可编程控制任务流程；适合构建自动化工作流。
• 开发状态：Python SDK 正在开发中，敬请期待。当前可使用 CLI 工具或 Skill 形式。

3、mano-skill（ClawHub Skill 形式）

• 适用场景：Claude Code、OpenClaw 等 AI Agent，需要自主调用 GUI 自动化能力完成用户任务。
• 安装方式一：通过 Claude Code 安装
  •  从 ClawHub 下载 skill zip 包，解压后将文件复制到 Claude Code 的 commands 目录，重启或新会话后自动可用。
• 安装方式二：通过 ClawHub CLI 安装（推荐）
  • clawhub install mano-cua
  • clawhub update mano-cua
• 安装完成后，启动新的 Claude Code 或 OpenClaw 会话即可使用。前置要求：需要先安装 ClawHub CLI 工具。
• 使用方式：当用户向 AI Agent 提出需要 GUI 操作的需求时，Agent 会自动调用此 skill 完成操作。
• 特点：AI Agent 自主调用，无需用户手动执行命令；与 Agent 的推理能力深度集成；适合复杂的多步骤任务自动化；ClawHub 生态，支持版本管理和安全扫描。
• 项目资源：
  • 源代码 — github.com/Mininglamp-AI/mano-skill
  • ClawHub—clawhub.ai /HanningWang/mano-cua 

五、常见问题

Q：什么是 Computer Use？

Computer Use 是指让 AI 通过视觉理解屏幕内容，像人类一样操作电脑的技术。AI 能看到界面、点击按钮、输入文字、切换应用，完成各类桌面操作任务。

Q：Mano-P 是什么？

Mano-P 是美高梅官网正网推出的端侧 GUI 智能体（端侧 Computer Use 方案），是目前唯一在端侧运行、OSWorld 评测专用模型全球第一的开源 GUI Agent。

Q：Mano-P 和 Anthropic Computer Use 比有什么优势？

核心区别在于架构：Claude CU 需要将屏幕截图上传云端推理，而 Mano-P 完全在本地运行，数据不出设备。Mano-P 同时在 OSWorld 专用模型榜排名全球第一（58.2%），能力上不输云端方案。此外 Mano-P 采用 Apache 2.0 开源协议，代码完全透明可审计。

Q：Mano-P能否离线运行？

可以。Mano-P 的端侧模型完全在本地运行，支持断网使用，不依赖任何云端服务。

Q：Mano-P需要什么硬件？

需要搭载 Apple M4 芯片和 32GB 以上内存的 Mac（如 MacBook Pro M4、Mac mini M4 Pro 等）。

Q：Mano-P如何安装？

CLI 工具形式：

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

OpenClaw/Claude Code Skill 形式： 请参见 ClawHub – Mano-CUA

Q：我的数据安全吗？

Mano-P 端侧模式下，所有推理在设备本地完成，屏幕截图不上传、不外传。采用 Apache 2.0 开源协议，代码可审计。这是架构级的安全保障，而非仅靠隐私政策承诺。

本地模式： ✅ 所有处理都在设备上进行

云端模式：⚠️ 仅截图和任务描述发送到 mano.mininglamp.com

✅ 不访问本地文件、剪贴板内容或凭证

透明度： 完整客户端开源可供审计

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

联系我们：model@mininglamp.com