去年Anthropic发布Claude Computer Use的时候，我第一反应是"这不就是远程桌面吗"。让AI看屏幕截图，然后模拟鼠标点击和键盘输入。听起来很酷，但真的能用吗？
后来OpenAI出了Operator，Google出了Project Mariner，开源社区也搞出了Browser Use和Playwright MCP。AI操控电脑这件事突然变成了各家都在卷的方向。
我花了一周时间认真测了三个方案，用的都是真实任务——不是演示demo里那种"帮我搜个天气"。结果怎么说呢，有些地方让我挺惊讶的，有些地方让我想砸键盘。
测试方案说明
我测了三个方案：
Claude Computer Use（API版）：Anthropic的方案，AI通过截屏+模拟操作来控制电脑。需要自己部署一个sandbox环境，让Claude在里面操作。
OpenAI Operator：OpenAI的方案，目前只对Pro用户开放。它跑在OpenAI自己的浏览器环境里，你给它任务它自己去网站上操作。
Browser Use（开源）：一个Python库，底层用Playwright控制浏览器。你可以接任何模型——GPT-4o、Claude、Gemini都行。我自己接的Claude Sonnet 4。
测试任务我选了5个，从简单到难：
任务1：在淘宝搜索"机械键盘"，按价格排序，找到最便宜的。
任务2：登录我的GitHub账号，创建一个新仓库，添加README。
任务3：在Google Sheets里填一个表格，数据从一个CSV文件里读。
任务4：在Notion里创建一个新页面，写一篇500字的产品更新日志。
任务5：在Jira里创建3个issue，包含标题、描述、优先级、标签。
任务1：淘宝搜索
这个最简单，三家都能完成。但体验差距很大。
Operator最快。它打开淘宝，输入搜索词，点排序，大概30秒就搞定了。但它没有登录我的淘宝账号，所以看到的是默认排序结果，不包含个性化推荐。
Claude Computer Use也能完成，但慢很多。它大概花了2分钟。中间有个小插曲：它第一次点排序的时候点到了"销量"而不是"价格"，然后自己发现错了，重新点了一次。这种自我纠错能力挺有意思。
Browser Use的表现取决于你接的模型。我接Claude Sonnet 4的时候，大概1分半完成。接GPT-4o的时候反而更快，大概1分钟。GPT-4o在网页理解上确实强一些。
三个方案都能完成这个任务，没有悬念。
任务2：GitHub操作
这个任务开始有意思了，因为它需要登录。
Operator直接放弃了。它的说明里写了"不会帮你登录需要密码的网站"。安全考虑可以理解，但这意味着大量需要登录的操作它都做不了。
Claude Computer Use需要你提前在sandbox里登录好GitHub。我用cookie注入的方式搞定了登录。然后让它创建仓库，它完成得不错——点了"New"按钮，填了仓库名，勾了README选项，点了创建。全程大概1分钟。
Browser Use也支持登录状态。我用Playwright的storage state功能保存了登录状态，然后让AI操作。它也能完成，但有个问题：它在填仓库名的时候用了中文（因为我的prompt是中文写的），GitHub报了错说仓库名不能有中文字符。它又试了一次才改成英文名。
这暴露了一个问题：AI操控电脑的时候，它不总是理解网站的输入限制。人类填表单的时候会先看提示，AI经常是直接填，报错了再改。
任务3：Google Sheets
这个任务三家的表现都不好。
Operator因为不能登录，直接做不了。
Claude Computer Use试了。它打开了Google Sheets，看到了一个空白表格。然后它开始一个一个单元格地输入数据。一个10行5列的表格，它花了将近8分钟。中间还错位了两次——数据填到了错误的列里。
Browser Use的表现稍好一点，因为我可以通过Playwright直接操作DOM，不用一个一个单元格地点。但问题是Google Sheets的DOM结构很复杂，AI经常找不到正确的元素。
说实话，如果你的需求是在表格里填数据，用API比让AI点鼠标靠谱一百倍。Google Sheets有API，几行代码就能搞定。让AI操控电脑去填表格，就像让人用挖掘机绣花——能做，但何必呢。
任务4：Notion写文章
这个任务Claude Computer Use的表现让我意外。
我给了它一个任务："在Notion里创建一个新页面，标题叫'Q2产品更新'，内容写500字左右的产品更新日志，包含3个新功能的描述。"
它打开了Notion（sandbox里已经登录了），点了"New page"，然后开始打字。重点来了——它不是机械地打字，而是真的在"写"。它会停下来想一下，然后打出一段连贯的内容。中间还会用Notion的快捷键做格式化，比如加粗、分段、加标题。
整个过程大概3分钟。最终输出的文章质量还行，虽然内容是编的（它不知道真实的产品更新是什么），但格式和结构都没问题。
Browser Use也能完成，但体验差一些。它在Notion的富文本编辑器里操作的时候经常出问题——比如想加粗一段文字，但拖选的时候选多了或者选少了。
Operator在这个任务上也能用（Notion不需要登录就能创建公开页面），但内容质量不如Claude。
任务5：Jira创建issue
这是最难的任务，也是最能说明问题的。
Jira的界面出了名的复杂。创建一个issue需要填标题、描述、选择项目、选issue类型、设置优先级、添加标签。每个字段都有自己的UI组件——下拉菜单、标签选择器、富文本编辑器。
Claude Computer Use花了大概5分钟创建了3个issue。它能正确填写大部分字段，但在选标签的时候出了问题。Jira的标签选择器是一个输入框+下拉列表，它输入标签名后需要按回车来确认。Claude没有按回车，直接点了下一个字段，导致标签没加上。
Browser Use（接Claude Sonnet 4）的表现类似。它在Jira的界面里也能操作，但同样的标签选择器问题也出现了。
Operator做不了这个任务（需要登录）。
这里暴露了AI操控电脑最大的问题：它不理解UI组件的交互模式。人类看到一个标签选择器，凭经验就知道"输入文字然后按回车"。AI看到的是一个输入框和一个下拉列表，它不知道这两者之间的关系。
速度和成本对比
速度方面，Operator最快，因为它跑在OpenAI自己的优化环境里。Claude Computer Use最慢，因为每一步都要截屏、分析、决策。Browser Use居中。
成本方面，差异很大。Claude Computer Use处理一个中等任务大概消耗2000-5000个token（主要是截图token），按Claude Sonnet的价格算大概$0.01-0.03/任务。Browser Use的成本取决于你接的模型，但通常比Computer Use便宜，因为你可以用更便宜的模型。Operator是订阅制，Pro用户每月$200，不限次数。
如果你每天要做几十个自动化任务，Operator的订阅制更划算。如果你偶尔用用，按token计费的方案更经济。
通过SevenFa AI Hub的统一API，你可以很方便地切换不同模型来做Computer Use，找到性价比最高的组合。而且它支持并发调用，你可以同时让多个Agent操作不同的浏览器实例。
我的结论
AI操控电脑在2026年6月的状态是：能用，但很粗糙。
它适合的场景：简单的网页操作（搜索、点击、填简单表单）、批量重复任务（在多个页面做同样的操作）、不需要登录的公开网站操作。
它不适合的场景：复杂的UI交互（富文本编辑、拖拽、标签选择器）、需要精细操作的任务（设计、排版）、对准确性要求高的操作（银行转账、发重要邮件）。
如果你是开发者，想在自己的应用里加入Computer Use能力，我的建议是用Browser Use + 专用模型。别用通用大模型，用专门为Computer Use微调过的模型。Anthropic的Claude在Computer Use场景下的表现明显好于其他通用模型，因为它在训练的时候就加入了大量GUI操作的数据。
还有一个思路：别让AI操控电脑，让AI调API。如果你的操作目标是一个有API的服务，直接用API比让AI点鼠标快10倍、准10倍。Computer Use的价值在于那些没有API的老系统和传统网站。