Agent 大戰(zhàn)，誰(shuí)也等不起。

作者｜樺林舞王

編輯｜靖宇

2025 年底，一個(gè)奧地利開(kāi)發(fā)者 Peter Steinberger 用一個(gè)小時(shí)寫了個(gè) Agent 工具，最初叫 Clawdbot，名字蹭了 Claude 的邊。Anthropic 發(fā)律師函威脅法律行動(dòng)，Steinberger 被迫改名，先改成 Moltbot，后來(lái)又改成 OpenClaw。

這本來(lái)是一件小事。

但 OpenClaw 隨后爆了。GitHub 上狂飆到 17 萬(wàn)星，單周訪問(wèn)量破 200 萬(wàn)，成了有史以來(lái)增長(zhǎng)最快的開(kāi)源 Agent 項(xiàng)目之一。更關(guān)鍵的是，它默認(rèn)推薦用 Claude 模型跑任務(wù)——某種程度上，它是 Anthropic 最大的免費(fèi)流量入口之一。

然后 Anthropic 做了一件蠢事：開(kāi)始封禁那些把 Claude API 接入 OpenClaw 的用戶賬號(hào)。

社區(qū)炸了。

Vercept 的產(chǎn)品讓 AI 可以讓 AI 控制電腦｜圖片來(lái)源：Vercept

「用自己花錢買的 API 做自動(dòng)化，被封號(hào)」，這個(gè)操作讓 AI 圈對(duì) Anthropic 的輿論在一夜之間翻轉(zhuǎn)。Steinberger 本人也徹底涼了對(duì) Anthropic 的心。

2026 年 2 月 15 日，Sam Altman 宣布：Peter Steinberger 加入 OpenAI，負(fù)責(zé)下一代個(gè)人 Agent。

11 天后，Anthropic 宣布收購(gòu) Vercept。

媒體的第一反應(yīng)大多是：「又一家創(chuàng)業(yè)公司被大廠收購(gòu)了?！?/p>

但這兩件事放在一起看，說(shuō)的是同一件事：AI 的戰(zhàn)場(chǎng)正在發(fā)生一次非常具體的遷移——從「誰(shuí)的模型更聰明」，到「誰(shuí)能讓 AI 真正控制一臺(tái)電腦」。

而在這場(chǎng)遷移里，Anthropic 目前處于被動(dòng)追趕的位置，部分原因是它自己造成的。

01

屏幕，真正的「最后一公里」

過(guò)去幾年，AI 的能力突破大多發(fā)生在對(duì)話框里——你打字，它回答，精準(zhǔn)、流暢、越來(lái)越快。但有一件事始終沒(méi)變：你依然得親自打開(kāi)軟件、點(diǎn)擊按鈕、復(fù)制粘貼，然后再回來(lái)問(wèn) AI 下一步怎么做。

這就是 Agent 要解決的問(wèn)題。

Agent 不是讓 AI 更聰明地回答你，而是讓 AI 直接替你干活：幫你打開(kāi) Excel、填好表格、切換到郵件客戶端、把數(shù)據(jù)發(fā)出去，然后關(guān)掉窗口。整個(gè)過(guò)程，你只需要說(shuō)一句話。

問(wèn)題在于，要做到這一步，AI 必須先「看懂」你的屏幕——識(shí)別出每一個(gè)按鈕、輸入框、菜單，然后像人一樣去點(diǎn)它。

這件事聽(tīng)起來(lái)簡(jiǎn)單，實(shí)際上極難。

一個(gè)有意思的現(xiàn)象是，在 AI 寫代碼、做分析、生成報(bào)告這些領(lǐng)域，各家的差距已經(jīng)越來(lái)越小。但在「看屏幕、控電腦」這件事上，差距依然是代差級(jí)別的。

OpenAI 自己的 Operator，在 OSWorld（模擬真實(shí)電腦操作任務(wù)的基準(zhǔn)測(cè)試）上得分是 38.1%。Anthropic 的 Computer Use，只有 22%。而人類平均水平是 72.4%——對(duì)，AI 做這件事，目前還遠(yuǎn)不如普通人順手。

02

Vercept 為什么值得？

這就是 Vercept 被盯上的原因。

Vercept 的創(chuàng)始團(tuán)隊(duì)來(lái)自 Allen 人工智能研究所（Ai2），幾個(gè)人在機(jī)器人感知、計(jì)算機(jī)視覺(jué)、強(qiáng)化學(xué)習(xí)領(lǐng)域都有深厚積累。

Vercept 團(tuán)隊(duì)做的 Vy，走的是一條和 OpenAI 完全不同的技術(shù)路線。

Operator 的邏輯是「讀代碼」：通過(guò)解析網(wǎng)頁(yè)底層 DOM 結(jié)構(gòu)（文檔對(duì)象模型），理解界面有哪些元素可以交互。這種方式速度快、穩(wěn)定性好，但有一個(gè)硬傷——它只對(duì)有結(jié)構(gòu)的 web 界面有效。碰到本地軟件、老系統(tǒng)、沒(méi)有 API 的企業(yè)應(yīng)用，它就完全沒(méi)轍。

Vy 的邏輯是「看像素」：不斷截圖，用視覺(jué)模型理解屏幕上的所有內(nèi)容，再模擬鼠標(biāo)鍵盤操作。覆蓋范圍是任何有屏幕的軟件——不管是 Excel、本地 ERP，還是一個(gè) 20 年前開(kāi)發(fā)的企業(yè)內(nèi)網(wǎng)系統(tǒng)。

Vercept 介紹視頻｜視頻來(lái)源：Vercept

Vercept 公布過(guò)一組數(shù)據(jù)：在 UI 元素識(shí)別基準(zhǔn)測(cè)試 ScreenSpot v1 上，他們自研的 VyUI 模型準(zhǔn)確率是 92%，OpenAI 同類模型是 18.3%。ScreenSpot v2 上是 94.7% 對(duì) 87.9%。

這個(gè)差距不是「我們優(yōu)化得更好」，而是底層技術(shù)路線帶來(lái)的系統(tǒng)性優(yōu)勢(shì)。

正是這個(gè)東西，補(bǔ)了 Anthropic 的短板。

Claude 的 Computer Use 能用，但一直不夠驚艷。吸收 Vercept 的模型和團(tuán)隊(duì)，是 Anthropic 在「看屏幕」這件事上最快的提速方式。

03

OpenAI 在搶的，

是另一個(gè)入口

OpenAI 合并的 OpenClaw 是另一回事，但同樣關(guān)鍵。

Peter Steinberger 做的 OpenClaw，不是桌面 Agent，而是把 AI 操控能力接入 WhatsApp、Telegram 這類消息平臺(tái)——你在手機(jī)上發(fā)一條消息，它幫你在電腦上完成一個(gè)任務(wù)。

這條路解決的不是「AI 怎么看屏幕」，而是「用戶從哪里發(fā)指令」。

這個(gè)細(xì)節(jié)很重要。大多數(shù)人不會(huì)專門打開(kāi)一個(gè) Agent 界面來(lái)操作電腦，但每天都在用消息 App。把指令入口放進(jìn)消息 App，是讓 Agent 真正融入日常使用習(xí)慣的關(guān)鍵一步。

OpenAI 收人而不是收公司，搶的就是這個(gè)方向的工程能力和產(chǎn)品直覺(jué)。

所以這兩筆「收購(gòu)」，針對(duì)的是 Agent 版圖的不同層次：Anthropic 在補(bǔ)「屏幕感知」的技術(shù)短板，OpenAI 在布局「指令入口」的場(chǎng)景卡位。

一個(gè)是基礎(chǔ)設(shè)施，一個(gè)是用戶習(xí)慣，缺哪個(gè)都不行。

更大的背景是，這場(chǎng)戰(zhàn)爭(zhēng)等不起。

Google、Microsoft 早就在布局，UiPath 這類 RPA（機(jī)器人流程自動(dòng)化）公司的股價(jià)在 Anthropic 收購(gòu) Vercept 的消息發(fā)出后下跌了 3.6%——市場(chǎng)已經(jīng)嗅到了威脅。

Agent 時(shí)代的競(jìng)爭(zhēng)，本質(zhì)上是一場(chǎng)基礎(chǔ)設(shè)施的搶占。誰(shuí)先把「AI 控制電腦」這件事做到足夠好用，誰(shuí)就在未來(lái)幾年的企業(yè)和個(gè)人市場(chǎng)里握有真正的籌碼。

Vercept 聯(lián)合創(chuàng)始人兼早期投資者 Oren Etzioni 說(shuō)了一句挺直白的話：「我們基本上還是認(rèn)輸了?！?/p>

但認(rèn)輸?shù)脑?，不是技術(shù)不好——他們的技術(shù)在某些維度上領(lǐng)先全場(chǎng)。認(rèn)輸?shù)脑颍?strong>是這場(chǎng)戰(zhàn)爭(zhēng)燒的錢和資源，不是一家 20 人的初創(chuàng)公司能撐起來(lái)的。

這大概也是 AI Agent 這個(gè)賽道最無(wú)情的地方：

好技術(shù)不夠，還得有足夠大的容器來(lái)裝它。

*頭圖來(lái)源：ProductHunt

本文為極客公園原創(chuàng)文章，轉(zhuǎn)載請(qǐng)聯(lián)系極客君微信 geekparkGO

極客一問(wèn)

你認(rèn)為 Vercept 的技術(shù)，

和豆包手機(jī)有什么區(qū)別？

蘋果宣布 Mac mini，首度實(shí)現(xiàn)美國(guó)本土化生產(chǎn)。

點(diǎn)贊關(guān)注極客公園視頻號(hào)，