该主题介绍如何构建像人一样操作电脑的 AI 智能体，即查看屏幕、移动光标、点击按钮和输入文字，内容围绕 Anthropic 的 Computer Use 展开。
用途与核心思想：采用感知—推理—行动循环架构。感知阶段截屏获取当前屏幕状态；推理阶段由视觉语言模型分析并规划；行动阶段执行鼠标与键盘操作；反馈阶段观察结果，决定继续或纠正。资料指出视觉智能体在“思考”阶段完全静止（1—5 秒），形成可检测的停顿模式。
主要实现模式：一是基于 Anthropic Computer Use 的官方实现，使用工具包括 screenshot（截图）、mouse（点击、移动、拖拽）、keyboard（输入文本、按键）、bash（运行 shell 命令）、text_editor（查看与编辑文件）。工具版本方面，computer_20251124（Opus 4.5）新增 zoom 动作用于细节检查，computer_20250124 适用于其他模型的标准能力。二是沙箱化环境模式，强调智能体必须在隔离的沙箱中运行，通过 Docker 容器加虚拟桌面实现隔离，要求限制网络、限制或只读文件系统、不接触主机凭据、过滤危险系统调用、限制 CPU 内存时间，目标是“爆炸半径最小化”。
使用方式：资料给出 Python 示例代码（使用 anthropic、PIL、pyautogui、base64 等），定义 ComputerUseAgent 类并设置 max_steps 防止失控循环、action_delay 控制动作间隔；还给出 Dockerfile 与 docker-compose 的安全约束配置（security_opt、seccomp、资源限制、内部网络、只读根文件系统等）。
限制与风险：资料列出若干需注意的问题，包括必须始终使用沙箱、需实现上下文管理、需监控并限制成本、动作可加入类人随机性、尽量使用键盘替代方案、部分 UI 元素（如下拉菜单和滚动条）可能难以操作。
适用场景：从零构建电脑操作智能体、将视觉模型与桌面控制集成、在生产中部署、在沙箱内安全测试智能体行为、运行不受信任的自动化任务。