Claude Computer Use 正式版上线：AI 操作电脑进入“生产级”，浏览器工具用 DOM 结构精准定位——视觉派与结构派两条路线对决（2026年8月）

Claude AI对话免费 ChatGPT AI对话免费 Cursor AI编程免费 Kimi AI对话免费

一句话结论

2026年8月20日，Anthropic 宣布 Computer Use、Skills API、Files API 在 Claude Platform 全面可用（GA），并发布一个关键新工具——浏览器使用工具（Browser use tool）。它不再靠"截图+像素坐标"猜着点，而是直接读取网页的 DOM 结构，认准输入框和按钮再动手；配合"单轮多次动作"的批处理能力，医疗理赔这类长流程任务从 32 分钟压到 13 分钟、单任务成本降约三成。AI 操作电脑，正式从"能演示"进入"能生产"。

为什么是现在：AI 从"能聊"到"能操作"的临门一脚

过去一年，主流大模型的差距在快速收窄：写文案、写代码、做图，几乎家家都会。真正拉开差距的，是谁能让 AI 替你把事做完——不是给一份操作指南，而是自己打开软件、填表、点按钮、保存文件。

Claude 的 Computer Use 从研究预览走到正式版，正是这条赛道的标志性事件。它让 AI 对着屏幕截图，像人一样点击、输入、滚动，去操作那些从未为自动化设计过的软件——老旧内部系统、没有 API 的医疗与保险门户、只能靠网页点击的管理后台。

Computer Use 正式版：从"一次一步"到"一批多步"

预览版最大的痛点是慢：模型每走一步都要停下来确认截图、决定下一步，一个 30 分钟的人工流程，AI 要跑一两个小时，调用次数多、token 烧得凶。

正式版的核心升级是多动作轮次（multi-action turns）：Claude 在一个模型调用里就能返回"点击→输入→截图"一连串动作，任务完成所需的调用次数和时间大幅下降。同时它现在符合 HIPAA 标准（签署 BAA 后可用于受监管的医疗工作负载），把合规门槛一并补齐。

Anthropic 官方博客给出的案例很有说服力：保险科技公司 Asteroid 的理赔工作流，从 32 分钟缩短到 13 分钟，模型调用减少 32%–52%，单任务成本下降 25%–32%，任务完成率从 77% 提到 100%，而且没有改一行 prompt。

全新 Browser use tool：从"像素派"到"结构派"

这次更新最大的亮点，是一个独立的浏览器使用工具（工具代号 browser_toolset_20260801）。

此前的屏幕操作是"像素派"：AI 看截图，猜测按钮在屏幕的哪个坐标，点下去。问题很明显——网页布局一变化（弹了广告、改版式、加了个横幅），坐标就全错。

新工具是"结构派"：它除了看截图，还会读取网页的 DOM 结构，直接定位到具体的输入框、按钮、下拉菜单，用"元素引用+坐标"的方式操作。页面布局变了，元素还在，照样找得到。 这在网页应用自动化上是一次可靠性飞跃——毕竟现在绝大多数业务系统都是网页。

Skills API：把团队经验变成可版本化的技能

光会操作软件还不够，Agent 得懂"你们家怎么做事的"。Skills API 解决的就是这个问题。

一个技能（Skill）就是一个文件夹，里面放着行业标准指令、脚本和模板。比如银行的信贷审批技能，就封装了这家银行的信用评估方法论和备忘录格式规范。它的设计很克制：

• 按需加载：技能名称和一句话描述常驻上下文（约 100 个 token），完整的 SKILL.md 只在任务真正需要时才加载，不浪费上下文窗口；
• 沙盒运行：技能里的脚本在 Claude 的代码执行沙盒里跑，你不需要自己托管任何服务；
• 零数据保留（ZDR）：调用技能时服务器不保留数据；
• 版本管理：用 version_id 固定版本，或直接用 latest 跟随最新，团队可以把请求钉在某个工作流版本上。

案例：Box 给银行做的 Agent，用技能封装信贷方法论和备忘录格式，读取 Box 里的财务报表与交易文档，直接生成可供分析师审阅的信贷备忘录——银行不用从零造 Agent，套用现成技能即可。

Files API：文档只传一次，处处引用

Agent 干活离不开文档。Files API 的逻辑很简单：上传一次文件（PDF、表格都行），拿到一个 file_id，之后的请求用 ID 引用，不用反复上传；Agent 生成的文件也能通过它下载。

正式版还加了三个实用能力：文件自动过期（expires_in_seconds，防止脏数据堆积）、速率限制提高到 500 RPM（原来的 5 倍）、每个组织 1TB 存储空间。

三件事串起来：一个理赔 Agent 的完整闭环

把四件套串起来看，就是一个"生产级 Agent"的标准结构：

• Files API：上传理赔申请书 PDF，拿到 file_id；
• Skills API：加载这家公司的理赔流程技能（怎么核对、怎么填写）；
• Browser use tool：打开保险公司的门户网站，认准表单字段，逐项填写提交；
• Files API：把提交回执保存成文件，交还给你。

Anthropic 把这套能力定位为"让 Agent 操作软件、运用团队经验、交付成品文件"三件事一起做完——这也是企业愿意付费的完整闭环。开发者还可以把 Claude Code 或 Cursor 接入这个循环，把代码类任务也编排进来。

结构派 vs 视觉派：Claude 与 Qwen 的两条路线对决

就在 Claude 转正的前一天，阿里发布了 Qwen-UI-Agent，一个走"视觉派"路线的 GUI 智能体基座模型——不依赖任何 API，纯靠"看懂屏幕"来操作手机 App、电脑软件和网页，真机基准 92.2%。两条路线放到一起，正好是当前 AI 操作设备的两种哲学：

结构派（Claude Browser use tool）：读 DOM、认元素，可靠性高、抗布局变化，但前提是目标系统有可读的结构（网页天然满足）； 视觉派（Qwen-UI-Agent）：看像素、理解语义，不需要任何 API 和结构信息，连没有 DOM 的桌面软件、手机 App 都能操作，但对复杂界面的稳定性和成本控制要求更高。

对开发者来说这不是二选一：网页自动化优先结构派，没有结构的场景（桌面软件、App、旧系统）交给视觉派。两派互相补位，才是完整的"数字员工"。想搭这类 Agent 工作流，也可以先在 Coze 或 Dify 里跑通逻辑，再上生产环境。

三路线横评：结构派 vs 视觉派 vs 传统 RPA

传统 RPA 是更早的"像素派"：用固定坐标加 OCR 录制脚本，部署一次能跑，界面一改就废，维护成本极高。三者对比见下方信息图：结构派在抗变化上最强，视觉派在不依赖结构上最强，RPA 只剩"遗产系统上的存量自动化"这一个护城河。

现实的两盆冷水：成本与安全

兴奋之余，两件事必须说清楚。

成本：Computer Use 每个动作都要截图，截图就烧 token。社区里有句大实话——"大多数 Agent demo 死于成本，而不是能力：每点一下都在烧一张截图"。Anthropic 的建议是缩放截图分辨率、限制历史、做缓存。多动作批处理能减少调用次数，但解决不了截图本身的消耗。跑生产任务前，先算清这笔账。

安全：Anthropic 官方文档自己警告——"在某些情况下，Claude 会遵循内容里出现的指令，即使它们与你的指令冲突。网页上或图片里的指令可能覆盖你的指令，或导致 Claude 犯错"。这就是提示注入（prompt injection）。让 AI 上网操作，等于把"点击权限"交给了环境，网页里藏着的恶意指令，Agent 可能照单全收。权限最小化、敏感操作人工确认、审计日志留痕，是上生产的底线。

三类人现在该做什么

开发者：把 Beta header 换成正式 API，迁移到新工具集（browser_toolset_20260801），把单动作循环改成多动作批处理——同样的任务，调用次数能省一半。Skills API 加 Files API 的组合值得立刻接入：技能封装业务流程、文件按 ID 引用，代码量直接砍半。

企业：可以先去微软 Foundry 用 Skills/Files API（已可用），或等 Google Cloud Vertex AI 支持（Computer/Browser 工具即将上线），在受监管的流程（理赔、开户、审批）上小范围试点。HIPAA 合规意味着医疗行业可以正式用了。建议从"高价值、低风险、流程固定"的任务切入，别一上来就放全权。

普通用户：短期影响不大——这些能力主要面向开发者平台。但趋势已经很明显：AI 正在从"帮你生成内容"变成"替你完成操作"。与其纠结哪个模型更强，不如学一点 Agent 编排的思路，未来这种"委托式"用法会越来越多。

诚实边界

• Computer Use 目前不能与 Claude Managed Agents 一起使用（官方迁移指南有说明）；
• 截图驱动的成本问题没有根治，多动作批处理只是缓解；
• DOM 定位对"现代、结构清晰的网页"最有效，反爬、验证码、加密页面仍是难点；
• 视觉派 Qwen-UI-Agent 的长尾 App 适配和定价策略还未完全公开；
• 提示注入是结构性风险，不是打补丁能解决的，需要流程级防护。

拐点判断

Anthropic 把 Computer Use 从预览转正、把 Skills/Files 一起 GA，本质是在宣告："AI 操作电脑"从 demo 变成产品了。加上一周前 ChatGPT 的 Computer History（记住你在电脑上干过什么）、8月21日 Grok Build 全面开放应用生成，以及 DeepSeek Harness 的 Agent 运行时生态——2026 年 8 月这一周，AI 圈的竞争主线已经从"谁的模型强"切换到了"谁能让 Agent 真正替你干活"。

对做工具导航和内容的人来说，下一波流量机会在"Agent 落地"而不是"模型参数"。Gemini、Kimi、通义千问 这些助手们也在同一时间点卷"操作能力"，普通人用 AI 的方式，会从"对话"变成"委托"。