写 Agent 的这两年，大家都在给 AI 配工具、配 API、配浏览器。但有件事一直没被解决干净：让 Agent 像个真人一样，去点那些没有 API 的老软件。今天这个项目，做的就是这个的地基。
这是谁
Cua（GitHub 上叫 trycua/cua）是一个 MIT 协议的开源项目，自我定位一句话就能说完：给每个 Agent 配一台云桌面。
数据先摆着（GitHub API 实时拉取，2026-10-05 核实）：
| 指标 | 数值 |
|---|---|
| Star | 27,701 |
| Fork | 1,949 |
| 贡献者 | 约 133 人 |
| 未关 Issue / 已关 Issue | 507 / 627 |
| License | MIT |
| 建库时间 | 2025-01-31 |
| 最近 push | 2026-10-02 |
背后的公司叫 Cua AI，YC 2025 春季批次（P25），旧金山，创始人是 Francesco Bonacci（此前在 Xbox 和 Microsoft AI），团队规模 3 人。融资方面只有聚合站给出约 50 万美元 pre-seed 的说法（Tracxn 系），没有官方新闻稿，我不把它当定论——YC 官方招聘页只写了「a seed round closed」。
顺带一提，GitHub 网页版显示的 22.2K 是缓存的旧数，API 才是准的。这种事我每次都拉 API，不抄页面。
它到底解决什么问题
Agent 要操作 Photoshop、Fusion 360、Tableau、某个没开放 API 的 ERP，没有别的路：看屏幕、点鼠标、打字。Cua 把这一整套拆成了四层，而且跨操作系统统一：
- Lume——基于 Apple Virtualization.Framework 的 macOS/Linux 虚拟机管理层，官方称在 Apple Silicon 上能跑到接近原生的 CPU 速度。
- cua-sandbox——沙箱 SDK，一套 API 同时管 Linux 容器、Linux VM、macOS、Windows、Android，还有自带镜像（BYOI）。云端跑在 cua.ai，本地跑用 QEMU。
- cua-driver——后台操作层。这是今年最实用的那块：Agent 在后台点原生软件，不抢你的鼠标、不切你的焦点，macOS / Windows / Linux 通用，一行脚本安装、不需要管理员权限。
- cua-bench——评测和 RL 环境，跑 OSWorld、ScreenSpot、Windows Arena，还能把轨迹导出来喂训练。
Python SDK 在 PyPI 上叫 cua，当前 0.2.0（2026-10-01 上传），要求 Python ≥ 3.10，MIT。写法很朴素：
async with Sandbox(Image.linux()) as sb:
await sb.shell.run("echo hello")
shot = await sb.screenshot
await sb.mouse.click(100, 200)
上手有多难
分两种玩法。
玩法一：给你自己的电脑装个后台手（推荐先试这个，5 分钟）
macOS 14+ 一行装：
/bin/bash -c "$(curl -fsSL https://cua.ai/driver/install.sh)"
cua-driver --version
cua-driver doctor # 检查版本、目录、权限
装完在「辅助功能」和「屏幕录制」里给它授权，然后：
cua-driver permissions status
之后从 Claude Code、Cursor、Codex、OpenClaw 这些 MCP 客户端直接连它。有个细节要说清楚：默认开着内容无关的遥测，cua-driver telemetry disable 一条命令关掉，这个选择权在你手上。另外权限模式（standard / bounded / unrestricted）是 daemon 启动时定死的，Agent 改不了，运行中你也改不了，得带不同参数重启——这个设计我觉得比很多「运行时动态提权」的方案干净。
玩法二：自己写 Agent：pip install cua，对着沙箱调 mouse / keyboard / screenshot，再套 cua-agent 跑模型，OpenAI、Anthropic、Ollama、LM Studio、OpenRouter 都支持。
Linux 那条路的实现值得一说：可访问性树走 D-Bus 上的 AT-SPI，输入合成走 XTEST，Agent 有自己一支画出来的光标，跟你的物理指针物理隔离。X11 和 XWayland 都支持，Wayland 的原生后台输入还有限制——这个坑官方在文档里写明了。
实话
第一，它不是 Agent 框架，是「场地」。 你拿它搭的是跑道，不是运动员。想直接抄个 Agent 就干活，那得看 Dify、n8n 或者 CrewAI 这类。它跟 E2B 沙箱 是同类不同层：E2B 给 Agent 一段云端代码执行环境，Cua 给它一整台带 GUI 的电脑；跟 browser-use 比，browser-use 只碰浏览器，Cua 碰的是整个桌面。
第二，能力天花板是真的低。 官方自己的 Cua-Bench 数据最能说明问题：25 道专家级 KiCad 原理图任务，最强的前沿 Agent 只过了 6 道，而且没有一个模型能从空白画布画出一张完整原理图。OpenAI 和 Anthropic 的旗舰模型打平。也就是说——「让 Agent 像人一样用电脑」这句话，2026 年了离能上线还差得远，别被 demo 骗了。
第三，坑不少，而且都在文档深处。 Lume 的 Sequoia 预设首次图形启动时还会卡在「辅助功能」步骤（官方 issue #2155），默认账号密码是 lume / lume；macOS 虚拟机的 GPU 通路是 2026 年 8 月才用进程级 Metal shim 打通的；BYOI 自带镜像目前只能本地 QEMU，云端还挂着「soon」；1024 个未关 Issue 堆在那儿。对一个 27K 星、133 个贡献者、还在用 release-please 自动发版（本周连发 sandbox 0.9.0、cua-spaces 0.2.0 四个版本）的项目来说，这属于「高速迭代必然的债」，不是 fatal，但要预期。
第四，商业模式还早期。 第三方站整理的定价是：开源核心免费、Pro 版 75 美元含 5100 credits、企业版面议。这个价格结构我只在聚合站看到，官网没明写，看的时候心里打个折。3 人团队 + YC 小批次 + 20 万美元量级的钱，扛 cloud desktop 这种重 infra 的活儿，能撑几年是个问号。
所以该不该用？
- 学习价值：高。「后台操作 + 合成光标 + 跨 OS 统一 API」这套思路，比看一百个 Playwright 教程都更接近真实产品的做法。
- 试玩价值：高。自己 macOS 上装个 driver，让 Claude Code 去点你桌面上任意软件，十几分钟就有体感。
- 生产价值：谨慎。GUI 自动化本身就不稳定（延迟、分辨率、弹窗都会打断），Cua 降低的是环境隔离的成本，没有解决识别准确率的问题。真实生产环境里，能用 API 就别用鼠标。
收尾
Agent 生态到今天，工具层（LangChain、AutoGen）、编排层（LangGraph、CrewAI）、应用层（Dify、Flowise、Langflow）都卷得差不多了。真正的空白在执行环境层——Agent 到哪儿去干活。Cua 从「Docker for Computer-Use Agents」这个名字切入，两年跑到 2.7 万星，公司从开源框架长成卖云桌面的生意，这条路走通了。
本文所有星数、Issue 数、提交时间、版本号均通过 GitHub API 与 PyPI 于 2026-10-05 实时拉取；融资与定价数据来自第三方聚合站，未经官方确认。
by 数码罗记·godsun.pro
