加载失败
这篇文章比较的是两种让模型操作软件的路线：一种是 vision-based computer use（通过截图、鼠标和键盘直接操控界面），另一种是 structured APIs（结构化接口）或可编程工作流。评论里提到的 benchmark 显示，前者在同一任务上大约慢到 17 分钟，而后者只要 0.5 到 2.8 秒，差距主要来自反复截图、等待界面状态和靠视觉猜测位置。很多人把话题延伸到 browser-use、Claude、Codex、Playwright（Web 端到端测试框架）和 macOS accessibility API（辅助功能接口），因为这些工具代表了把 UI 变成机器可用层的不同办法。讨论真正争的不是“AI 能不能点按钮”，而是当应用没有公开 API、或者遗留系统太多时，究竟该用哪一层把人类界面转成可复用的程序接口。
很多人觉得这个结论并不意外：给模型看截图、让它靠鼠标键盘试错，本来就比直接调用结构化 API 更慢、更贵。评论里反复提到，真正能落地的方案通常是严格 JSON schema、CLI、或把浏览器访问包装成可编程流程，而不是让模型每次从零摸索界面。有人用 17 分钟对比 0.5 到 2.8 秒的例子强调 wall-clock time 的差距，也有人说 computer use 更像“最后一公里”而不是首选。整体共识是：能走 API 就别走 vision agent，除非根本没有别的接口可用。
[来源1] [来源2] [来源3] [来源4] [来源5] [来源6] [来源7] [来源8]
另一条线认为，agent 时代可能会倒逼网站和应用把 accessibility 做好。有人指出，Playwright（Web 端到端测试框架）在配合 accessibility locators 时体验非常好，而像 invoke 这种基于 macOS accessibility API（辅助功能接口）的方案，本质上就是把结构化信息暴露给自动化层。也有人担心反方向的激励：开发者为了防 AI，可能故意做得更不 accessible，这会直接伤害屏幕阅读器用户和视障用户。支持者则强调，agents 对车祸式手部劳损、ADHD、临时状态不佳的人也有帮助，改善 a11y 并不只是为了机器。
[来源1] [来源2] [来源3] [来源4] [来源5] [来源6] [来源7] [来源8] [来源9]
不少评论把这件事落回现实：很多真正有价值的系统根本没有可用 API，或者 API 不开放、太老、太碎。大家举了酒店 PMS、医疗 EHR、Google Calendar widget、老式 SaaS 之类的例子，认为此时最实用的办法往往是逆向 traffic、从事件处理器生成接口，或者把 UI 流程录成可重复 workflow。围绕 webmcp、AppFunctions、Prism、reverse-api 工具的讨论也说明，问题不是“要不要 API”，而是“怎么从既有系统里榨出可复用的程序化层”。在这个语境下，computer use 的价值更多是补齐历史包袱，而不是创造新范式。
[来源1] [来源2] [来源3] [来源4] [来源5] [来源6] [来源7] [来源8] [来源9] [来源10]
有人进一步把问题上升到操作系统层：如果未来真是 agentic world，那么每个应用功能都该能被 API 化，同时仍然对人类友好。乐观派设想的是 headless 的 AI-first OS，人类反而成了第二级用户；悲观派则说这只是把整个软件栈推倒重来，像重设计纽约城或给自驾车重铺全世界道路一样不现实。评论里还提到 Wayland（Linux 现代显示协议）偏像素、DBus（Linux 进程间通信总线）和 Android AppFunctions（Android 的 AI 应用函数接口）这类现成积木，暗示真正可行的路更像渐进式加层，而不是从头再造。还有人直接把 OpenAI 做手机、重做平台的想法归为泡沫期的幻想。
[来源1] [来源2] [来源3] [来源4] [来源5] [来源6] [来源7] [来源8] [来源9] [来源10] [来源11] [来源12] [来源13] [来源14] [来源15]
安全和权限是另一条高频担忧，尤其是浏览器里的 PII、密码和敏感操作。有人提到厂商对 AI 访问浏览器已经有“lethal trifecta”式警告，也有人说 SecureTextField（安全文本输入字段）在 OS 层面能挡住部分泄漏，但这并不能解决 agent 乱点、乱填、乱买的责任归属问题。更尖锐的观点是，网站方会因为广告、锁定和反爬而故意让 AI 难用，甚至通过登录墙、captcha、暗黑模式来逼退 agent。于是讨论最后落到一个很现实的结论：机器可用性和平台利益往往天然冲突。
[来源1] [来源2] [来源3] [来源4] [来源5] [来源6] [来源7] [来源8] [来源9] [来源10]
对“45 倍”这个数字本身，评论区也在争论它到底是结构性差距还是暂时性差距。有人认为数据中心建设完成后、推理优化继续推进，token 价格会下降；也有人反驳说，VC 补贴结束后价格未必更低，而且运行多个模型并行、图像和屏幕截图本身都很耗资源。还有人指出，开放模型和 OpenRouter（模型聚合调用服务）之类的替代方案已经足够便宜，至少能支撑一些不那么关键的任务。反方则补充说，除了 token 价，还有训练成本、电力和水资源成本，这些都不该从账本里消失。
[来源1] [来源2] [来源3] [来源4] [来源5] [来源6] [来源7] [来源8] [来源9] [来源10]
关于用途，评论呈现出很明显的分裂：支持者觉得它很适合那些你懒得手工做、或者容易卡在奇怪边角条件里的任务。例子包括本地调试、批量整理用户流程、补全一个网站的质量检查、以及在遗留 SaaS 上做背景操作；这些场景里，agent 作为“后台实习生”确实省时间。怀疑者则说，大家最想外包的往往是税务、背景调查、LLC 申请、购物和社交媒体，而这些恰恰是最敏感、最不能出错、也最容易被商业激励扭曲的任务。于是很多人对 agent 的定位仍然很保守：能辅助，但很难成为值得完全信任的代理人。
[来源1] [来源2] [来源3] [来源4] [来源5] [来源6] [来源7] [来源8] [来源9]
a11y: accessibility 的常用缩写，指让屏幕阅读器和自动化工具更容易理解与操作界面。
Playwright: Web 端到端测试框架，可通过 accessibility locators 和脚本稳定驱动浏览器。
MCP: Model Context Protocol，把工具、数据源或动作以统一协议提供给模型的接口层。
DOM: 网页的结构树，结构化自动化通常直接利用它，而不是只看像素。
Wayland: Linux 现代显示协议，更偏向像素输出，天然语义信息较少。