Mano-P 1.0：我第一次觉得，AI 真有机会把桌面操作这件事接过去了

我刚看到 Mano-P 这个项目时，停了一下。

不是因为它又在讲什么“通用 Agent”，而是它压根没从浏览器开始。它盯的就是最麻烦的那块：桌面软件、各种 App、乱七八糟的 GUI 界面。

这事过去一直不太顺。

很多所谓自动化方案，本质还是吃 DOM、吃 API、吃系统层协议。页面结构熟一点还好，一旦 UI 改版、控件换位置、软件不是网页，识别马上开始飘。你让它点按钮，它可能盯着一块根本不能点的地方来回试。

所以我看到 Mano-P 的第一反应，不是“又一个模型”，而是它终于把入口换了。

它不靠插件，不靠协议，也不要求目标软件专门开放接口。就是直接看屏幕截图，按视觉去理解当前界面，然后完成操作。哪个按钮能点，哪个输入框该填，弹窗是不是挡住了流程，它看到什么就处理什么。

这个味道就对了。

因为真实世界里的软件环境，本来就不是给自动化脚本精心准备的。设计师会改布局，产品经理会换文案，不同平台还有一堆细碎差异。你越依赖底层结构，后面维护越重。纯视觉路线至少有个很直白的好处：界面怎么变，先看一眼再说。

我点进去看介绍时，另一个让我在意的点，是它不是只做一两步演示。

Mano-P 1.0 说的是数十步到上百步的复杂任务。这个差别挺大。因为 GUI 自动化最怕的不是“能不能点一下”，而是流程一长就乱：中间跳转、状态变化、窗口切换、偶发弹框，全都会把链条打断。真能把长流程接住，才算从玩具往工具走了一步。

它接到 Claude Code、OpenClaw 这类 Agent 工具里，意思也很直接：以前 AI 会写、会调、会规划，但碰到图形界面，经常还是卡在最后一米。现在等于给它补上了眼睛和手，能真的去看屏幕、点界面、把操作做完。

这就不是“辅助理解界面”了，是开始接管界面。

还有一个现实因素也很重要：它是本地跑的。

这句话现在看多了容易麻，但放在 GUI 操作上，分量不一样。因为你让模型去碰桌面、碰 App、碰业务系统，本来就很容易碰到敏感数据。全程本地推理，数据不出设备，至少让它从“看起来很酷”变成“有机会真进生产环境”。

部署门槛也没想象中那么高。在 M4 芯片、32GB 内存的 Mac 上，4B 量化版就能直接跑。看到这里大概能判断，它不是那种只适合论文演示的东西，开发者自己拿来试一轮，成本并不夸张。

当然，纯视觉也不是没代价。

速度、误触、复杂场景下的稳定性，后面肯定还是要继续磨。但 Mano-P 1.0 至少把方向拧过来了：别再假设所有软件都会乖乖给你接口，AI 就该先学会看屏幕，再学会动手。

这可能才是 GUI Agent 真正能出浏览器的一步。

GitHub地址：MININGLAMP-AI/MANO-P