待验证50% 置信事实精确时间
当前主流计算机操作Agent依赖视觉-语言模型理解屏幕状态，架构由感知、规划、执行三层构成
1
来源数
50%
置信度
长期有效
时效性
2026/7/10
首次发现
来源
OSWorld 2.0测评：最强AI Agent完成率仅20%，长流程是致命短板
bilibili熊二等兵2026/7/1
相关事实
待验证Computer Use Agent的核心技术依赖于多模态大语言模型的视觉理解能力，通过截图-分析-执行的循环机制工作77% 相似待验证Computer-use能力允许Agent直接操控桌面GUI界面，是Anthropic基于Claude模型视觉理解能力构建的差异化特性75% 相似待验证基于视觉语言模型（VLM）的屏幕理解使Agent能以语义层面而非像素层面理解界面，这一范式转变被业界称为认知自动化（Cognitive Automation）73% 相似已验证一个完整的Agent架构由控制端、感知端和行动端三部分组成73% 相似待验证编程Agent系统设计中存在经典的感知-规划-执行（Perceive-Plan-Act）循环架构，感知模块是整个决策链的第一环71% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/421500API
curl https://kongchang.com/api/v1/knowledge/claims/421500MCP
get_claim(id=421500)