让多模态大模型直接看屏幕、动鼠标键盘来操作电脑的框架，把自然语言指令变成实际的桌面自动化操作。

仅凭截图就能操作手机 App、网页和桌面系统的通用 GUI 智能体，帮你在不同平台上自动完成点击、输入等界面交互任务。