Vibe Coding 这个词从 Andrej Karpathy 嘴里说出来之后几个月内就变成了开发者圈子里的日常用语用自然语言描述需求、让 AI 生成代码、跑起来看效果——整个编程工作流正在被重新定义。但有一件事在 Vibe Coding 的叙事里被跳过了开发者每天的工作不只是写代码还有大量时间花在操作各种桌面应用上从 Figma 里复制设计规范、到 Jira 里更新任务状态、到 Slack 里同步进度、再到各种内部系统里翻数据。这些操作不涉及代码却占据了工作日的相当比例。一个自然的延伸方向出现了如果 AI 能写应用它能不能直接操作应用这个方向在技术社区里被越来越多的人称为 Vibe Operating——让 AI 像人一样看着屏幕、理解界面、执行操作。它和 Vibe Coding 的区别在于后者改变了应用的创建方式前者改变的是应用的使用方式。两者并不矛盾甚至在某些场景下会形成互补AI 写好一个应用然后另一个 AI Agent 去操作它完成业务流程。从概念到工程AI 操作桌面应用需要什么把一个AI 操作桌面应用的想法变成可用的工程系统需要解决三个层面的问题。第一层是视觉理解。AI 需要看懂屏幕上正在显示什么——按钮在哪里、输入框是什么状态、当前页面和上一步相比发生了什么变化。这和计算机视觉里的目标检测有交集但复杂度更高因为 GUI 界面的元素密度远大于自然场景一个复杂的企业软件界面上可能同时存在数百个交互元素而且布局和样式在不同应用之间差异巨大。第二层是动作规划。看懂了界面之后AI 需要决定下一步该做什么。这涉及到任务分解——一个帮我从这个系统里导出上季度的销售数据的指令可能需要拆解成登录、导航到报表页面、选择时间范围、点击导出、等待下载完成等多个步骤。每个步骤的执行都依赖对上一步结果的判断形成一条有状态依赖的操作链。第三层是环境交互。AI 需要真正把点击这个按钮在这输入这段文字的意图转化为操作系统层面的鼠标和键盘事件并且能够感知操作是否成功——按钮是否真的被点击了、输入框里的内容是否正确、页面是否跳转到了预期的位置。这三个层面的技术选型组合起来就构成了一个 GUI Agent 的完整技术栈。三条技术路线的分野目前业界在视觉理解这个层面走出了三条不同的路线。第一条是 API 驱动路线通过系统级 API 或辅助功能接口获取界面元素的结构化信息。这条路线的优势是获取的信息精确——每个元素的类型、位置、状态都能拿到确定性的数据。局限在于它强依赖操作系统提供的辅助功能接口很多应用并不完整支持这些接口跨平台兼容性也是个问题。传统 RPA 工具UiPath、Automation Anywhere走的基本是这条路。第二条是浏览器协议路线通过 Chrome DevTools Protocol 等浏览器调试协议获取网页 DOM 结构。这条路线在 Web 应用场景下非常高效能精确操作页面元素。但它的天花板也很明显——只能覆盖浏览器里的 Web 应用桌面原生应用、专业软件、游戏界面这些场景完全触达不到。第三条是纯视觉路线AI 直接接收屏幕截图作为输入像人一样看屏幕来理解界面和操作。这条路的好处是场景覆盖最广——只要人能看到的界面AI 都能处理不受 API 兼容性和协议支持的限制。难点在于纯靠视觉理解来定位和操作的精度要求很高对模型的视觉推理能力有很强的要求。明略科技开源的 Mano-Phttps://github.com/Mininglamp-AI/Mano-P走的就是第三条路。这个端侧 GUI-VLA 智能体模型通过纯视觉驱动的方式实现桌面应用操作它的核心设计理念是让 AI 像人一样通过看屏幕来理解和操作界面不依赖任何 API 或协议层面的辅助因此可以覆盖桌面应用、Web 应用、专业软件等各种类型的 GUI 界面。端侧部署和云端部署的工程取舍GUI Agent 的运行位置是另一个关键技术决策。云端部署的优势很明显算力不受限可以跑更大的模型推理精度更高。但它的问题也同样突出——Agent 在执行任务时需要把屏幕截图持续发送到云端服务器这意味着用户在屏幕上看到的一切包括敏感数据、内部系统界面、个人信息都在网络上传输了。对于金融、医疗、政务等对数据安全要求高的行业这基本是不可接受的。端侧部署走的是相反的路模型跑在用户自己的设备上截图和操作数据完全不离开本机。好处是数据安全性达到了物理隔离的级别延迟也更低不需要网络往返。挑战在于端侧设备的算力有限需要把模型压缩到能在消费级硬件上流畅运行的尺寸同时保持足够的操作精度。Mano-P 在这个问题上的做法是用 4B 参数量的量化模型配合 Cider 推理加速 SDK在 Apple M4 芯片 32GB RAM 的 Mac 上实现全本地运行。在 100 个真实 macOS GUI 任务的测试中4B 本地模型Mano-CUA-Thinking-4B达到了 56% 的任务通过率超过了云端通用视觉模型 Qwen3-VL-Plus 的 39%配合 Bash 工具链的 Mano-CUA 1.1Bash 配置更是达到了 90% 的通过率。这个数据说明端侧部署在合理的工程设计下是可以达到实用级别的。评测体系怎么衡量一个 GUI Agent 的真实能力GUI Agent 的评测和传统 NLP/CV 模型有本质区别——它不是在一个静态数据集上算准确率而是需要在真实的操作系统环境中端到端地完成任务。目前比较有代表性的评测基准是 OSWorld它定义了一系列需要在真实操作系统中完成的任务涵盖文件管理、Web 浏览、办公文档编辑等场景通过检查任务完成后的系统状态来判定是否成功。Mano-P 的 72B 模型在 OSWorld 专项模型评测中达到了 58.2% 的成功率排名第一领先第二名 opencua-72b45.0%13.2 个百分点。另一个值得关注的基准是 WebRetriever Protocol I侧重评测 Agent 在 Web 导航场景下的能力。Mano-P 在这个基准上拿到了 41.7 的 NavEval 分数超过了 Gemini 2.5 Pro Computer Use40.9和 Claude 4.5 Computer Use31.3。这些评测数据的意义不在于谁比谁高几个点而在于它们为 GUI Agent 这个新兴领域建立起了可量化、可复现的能力衡量标准。随着基准测试的完善和更多团队的参与整个领域的技术迭代会变得更有方向感。落地场景和实际价值从实用角度看AI 操作桌面应用最直接的价值集中在几个方向。重复性高的跨系统数据搬运是典型场景。很多企业的数据散落在多个内部系统里没有统一的 API 接口员工每天需要在不同系统之间手动复制粘贴。GUI Agent 可以像人一样在各个系统界面上操作完成数据的提取、整合和录入而且不需要等 IT 部门开发集成方案。长链路的业务流程自动化也适合。一个涉及十几个步骤、跨越多个应用的业务流程比如从 CRM 系统里提取客户信息、到 ERP 里查询库存、再到邮件系统里生成报价单发给客户用传统自动化方案需要为每个系统单独开发适配GUI Agent 则可以用统一的视觉理解能力覆盖所有界面。软件测试也是一个天然契合的场景。Mano-P 生态里的 Mano-AFK 组件就实现了从 PRD 到代码、部署、E2E 测试的全自动流程其中 E2E 测试环节就是由 GUI Agent 在真实界面上执行操作来验证功能是否正确。技术栈的成熟度决定了 Vibe Operating 目前还处于早期阶段但从趋势上看AI 操作桌面应用正在从实验性的 demo 走向可落地的工程系统。端侧推理能力的提升、视觉理解模型的进步、以及评测基准的完善都在推动这个方向往前走。如果你对端侧 GUI Agent 的技术细节感兴趣Mano-P 的完整代码和 4B 模型权重已在 GitHub 开源https://github.com/Mininglamp-AI/Mano-P欢迎⭐、Issue、PR~