该项目的系统架构将计算机使用代理拆分为三个部分：眼睛使用 AirPlay 镜像捕获屏幕，手使用伪装成 USB 鼠标键盘的 ESP32-S3 发送输入，大脑使用兼容 OpenAI 接口的视觉语言模型进行决策。