智東西
作者 楊京麗
編輯 李水青

智東西4月14日消息，今天，MiniMax為其桌面端Agent上線兩項(xiàng)新功能：Pocket（Beta）和Computer Use。簡(jiǎn)單來(lái)說(shuō)，Pocket讓用戶可以在飛書(shū)、微信、Slack等主流IM里，遠(yuǎn)程給Agent下指令，Computer Use則能讓Agent能像人一樣看屏幕、點(diǎn)鼠標(biāo)、敲鍵盤(pán)，直接操作電腦上的本地軟件和系統(tǒng)設(shè)置。

上周，MiniMax發(fā)布了命令行工具M(jìn)MX-CLI，讓Agent可以在終端中調(diào)用其全模態(tài)能力。今天這次更新補(bǔ)上了圖形界面?zhèn)鹊牟僮髂芰Γ⑼ㄟ^(guò)IM構(gòu)建了一個(gè)統(tǒng)一的遠(yuǎn)程入口，用戶不在電腦前，也能通過(guò)手機(jī)隨時(shí)喚起Agent干活。

一、Pocket打通IM遠(yuǎn)程操控，Computer Use接管圖形界面

Pocket是一項(xiàng)IM接入能力，用戶在飛書(shū)、微信等IM中喚起Pocket發(fā)送指令，Agent即可在其電腦上執(zhí)行任務(wù)，完成后將結(jié)果回傳至對(duì)話。核心場(chǎng)景是遠(yuǎn)程操控，用戶不在電腦前，也能通過(guò)手機(jī)調(diào)度桌面Agent。

Computer Use則讓Agent具備操作圖形界面的能力，通過(guò)截圖識(shí)別屏幕內(nèi)容，模擬鼠標(biāo)和鍵盤(pán)操作本地軟件。那些沒(méi)有命令行接口的任務(wù)，比如改系統(tǒng)偏好設(shè)置、操作本地設(shè)計(jì)工具、在多個(gè)應(yīng)用間手動(dòng)搬運(yùn)數(shù)據(jù)，現(xiàn)在都可以交給Agent完成。

MiniMax展示了幾個(gè)IM與Computer Use組合使用的場(chǎng)景。

1、遠(yuǎn)程找文件。

提示詞：幫我看下我桌面上是不是有一個(gè)2025 report的PDF？找到并發(fā)給我。

▲Agent遠(yuǎn)程找文件（來(lái)源：MiniMax）

這是一個(gè)比較基礎(chǔ)的應(yīng)用場(chǎng)景。Agent在用戶電腦桌面上定位到目標(biāo)文件后，直接回傳到IM對(duì)話中。整個(gè)流程不需要用戶打開(kāi)電腦。從實(shí)際演示來(lái)看，Agent能準(zhǔn)確識(shí)別文件名中的關(guān)鍵詞并完成定位，通過(guò)對(duì)話將正確的文件發(fā)給用戶。

2、操作本地應(yīng)用與系統(tǒng)設(shè)置，執(zhí)行定時(shí)任務(wù)。

提示詞：幫我打開(kāi)系統(tǒng)設(shè)置，找到鎖定屏幕，把不活躍時(shí)啟動(dòng)屏幕保護(hù)程序設(shè)為永不。然后打開(kāi)Pocket客戶端執(zhí)行每日定時(shí)任務(wù)，完成后給我一張截圖。

由于系統(tǒng)偏好設(shè)置沒(méi)有公開(kāi)的命令行接口，這些操作只能通過(guò)圖形界面完成。Agent基于Computer Use打開(kāi)系統(tǒng)設(shè)置、定位到“鎖定屏幕”面板、調(diào)整下拉菜單，隨后啟動(dòng)客戶端執(zhí)行任務(wù)，最后截圖回傳。整個(gè)過(guò)程可在IM中完整查看Agent的每一步操作，后續(xù)也按照要求完成了定時(shí)任務(wù)。

二、技術(shù)實(shí)現(xiàn)：桌面操作拆分，可調(diào)度工具總數(shù)超60個(gè)

目前主流的Computer Use實(shí)現(xiàn)方式是給Agent一個(gè)統(tǒng)一的“computer”工具，所有操作都靠截圖加像素坐標(biāo)完成，先截一張屏幕，識(shí)別出目標(biāo)位置的像素坐標(biāo)，再模擬點(diǎn)擊。這種方式結(jié)構(gòu)簡(jiǎn)單，但精度有限，比如讓模型去數(shù)像素點(diǎn)一個(gè)按鈕，不如直接調(diào)用系統(tǒng)接口來(lái)得準(zhǔn)。

MiniMax的做法是把桌面操作拆分成四個(gè)獨(dú)立的工作：

1、Desktop Control負(fù)責(zé)截圖、鼠標(biāo)操作（含修飾鍵組合）、鍵盤(pán)輸入、滾動(dòng)、拖拽；
2、Window Manager負(fù)責(zé)窗口列表查詢、聚焦、最小化/最大化、關(guān)閉、移動(dòng)縮放及應(yīng)用啟動(dòng)；
3、Browser Engine負(fù)責(zé)DOM操作、CSS選擇器定位、JavaScript執(zhí)行和結(jié)構(gòu)化導(dǎo)航；
4、Clipboard負(fù)責(zé)系統(tǒng)剪貼板讀寫(xiě)。

Agent執(zhí)行任務(wù)時(shí)會(huì)根據(jù)場(chǎng)景自動(dòng)選擇最合適的工具，比如切換窗口直接調(diào)系統(tǒng)接口，不用先截圖再找窗口按鈕在哪。這四套工具再加上飛書(shū)、企業(yè)微信、mmx三套平臺(tái)工具以及命令行工具，Agent可調(diào)度的工具總數(shù)超過(guò)60個(gè)。

屏幕適配方面，不同用戶的顯示器分辨率差異很大，同一個(gè)按鈕在4K屏上和1080p屏上的像素位置完全不同。MiniMax的處理方式是讓模型只輸出相對(duì)位置，由系統(tǒng)自動(dòng)換算成實(shí)際坐標(biāo)。截圖也會(huì)根據(jù)模型能處理的畫(huà)面上限做縮放，避免高分屏信息過(guò)載、低分屏畫(huà)面模糊。

三、截圖驗(yàn)證每一步，敏感操作需IM確認(rèn)

真實(shí)任務(wù)往往需要數(shù)十步甚至上百步連續(xù)操作，單步偏差可能導(dǎo)致后續(xù)全部失敗。MiniMax為此給每一步桌面操作接入了驗(yàn)證環(huán)節(jié)：操作執(zhí)行完后立刻自動(dòng)截圖，由模型判斷該步是否成功。

符合預(yù)期則推進(jìn)下一步；未達(dá)預(yù)期則進(jìn)入診斷流程，識(shí)別失敗原因并嘗試替代方案，比如鼠標(biāo)點(diǎn)不到的按鈕換用鍵盤(pán)快捷鍵。若在一定重試次數(shù)內(nèi)仍未解決，Agent會(huì)主動(dòng)告知用戶具體卡在哪一步，而非繼續(xù)盲目嘗試。

安全權(quán)限方面，當(dāng)Agent準(zhǔn)備執(zhí)行文件刪除等敏感操作時(shí)，會(huì)先暫停，將該步的具體內(nèi)容推送到用戶的IM對(duì)話中。在飛書(shū)和Slack中會(huì)彈出一張交互卡片，用戶點(diǎn)擊即可授權(quán)或拒絕；微信等不支持交互組件的平臺(tái)則通過(guò)文本指令完成授權(quán)。任務(wù)執(zhí)行過(guò)程中，用戶也可隨時(shí)發(fā)送指令中止Agent。

結(jié)語(yǔ)：Agent操作電腦從演示走向產(chǎn)品化

從OpenClaw爆火，Anthropic推出Computer Use，到如今MiniMax將類似能力落地到桌面端并接入IM，AI Agent“操作電腦”正在從技術(shù)演示走向?qū)嶋H場(chǎng)景。但從目前各家的進(jìn)展來(lái)看，這項(xiàng)能力仍處于早期，復(fù)雜界面下的識(shí)別精度、長(zhǎng)任務(wù)中的穩(wěn)定性、面對(duì)陌生軟件時(shí)的泛化能力，都是共性難題。

MiniMax這次更新提供了一條具體的產(chǎn)品化路徑：用IM做入口降低使用門檻，用工具域拆分提升操作精度，用逐步驗(yàn)證兜住多步任務(wù)的可靠性。至于這套方案在真實(shí)用戶場(chǎng)景中能走多遠(yuǎn)，還需要更大范圍的使用反饋來(lái)驗(yàn)證。

來(lái)源：MiniMax