microsoft/CUAWright

解决的问题

CUAWright 为代码模型提供了一个统一的接口，用于自动化网页浏览器和桌面应用程序。它摆脱了传统的“逐步”交互循环（即代理一次仅预测一个动作），而是将浏览器或桌面视为一个环境，让代码代理可以通过终端启动、编程和调试。

运作方式

CUAWright 为 LLM 提供了一个终端，用于编写和执行自由格式的 Python 脚本（使用 Playwright 进行网页操作）或在 Ubuntu VM 中执行 OS 指令（用于桌面任务）。代理通过编写代码、执行、检查屏幕截图和日志，并修复代码直到任务完成来进行迭代。这种“代码即动作”的方法允许代理创建可重复使用、参数化的脚本，而非脆弱的一次性交互。

适用对象

专为开发浏览器代理的开发者，或希望将浏览器/桌面自动化功能集成到现有代码代理（如 Claude Code、Codex 或 Hermes）中的用户所设计。

特色亮点

• 统一接口：同时支持通过 Playwright 进行网页自动化，以及在 Ubuntu VM 中进行桌面自动化。
• 以代码为中心的范式：代理在本地工作区编写和调试脚本，使浏览器会话成为抛弃式，而代码则成为持久的产物。
• 技能工厂：可将已解决的任务提炼为可重复使用、经过验证且参数化的 Python 脚本，无需 LLM 即可独立运行。
• 插件支持：随附 Claude Code 和 OpenAI Codex 的清单，允许这些代理将 CUAWright 作为一项技能使用。
• 高性能：在 OSWorld-V2 和 Online-Mind2Web 等基准测试中展现了更高的准确度并降低了 API 成本。