computer use 智能体怎么选：成本、安全与落地流程

当一项必须完成的工作没有可用的 API，也就是供软件直接调用的接口，而且结果可以核验时，才值得考虑 computer use 智能体。Microsoft Copilot Studio 每个模型步骤收取 5 或 15 Copilot Credits，但实际预算还要算上人工监督、重试，以及运行任务的电脑。Microsoft 电脑操作功能文档说明了这一计费单位。

比如，供应商门户只能通过点击按钮导出报表，就可能适合这类方案。存放订单和库存数据的老旧 ERP 系统，则可能需要桌面操作能力。政务表单的权限边界要收得更紧：整理资料和提交申报是两回事，即使对应的按钮就在旁边。

**选型原则：**在能完成任务的方案中，选择访问权限最小的那一种。模型能点击屏幕上的所有按钮，并不意味着应该获得你账号拥有的全部操作权限。

computer use 智能体能做什么？

电脑操作智能体把可视界面变成一个循环：观察屏幕、决定操作、点击或输入、检查界面变化，再继续下一步。模型负责判断；执行器，也就是实际执行模型指令的软件，负责控制鼠标和键盘。OpenAI 的现行指南同时介绍了结构化电脑操作，以及通过代码操作界面的方式。OpenAI computer use 文档

理解这种分工，才能看清落地时还缺什么。买到模型访问权限，并不等于同时获得可运行的浏览器、已登录的账号、任务调度器和故障恢复流程。这些能力需要由配套产品或你自己的应用提供。

以每周下载供应商报表为例，即使页面布局变了，智能体也可能认出报表菜单、选定所需周期，再找到“导出”按钮。但它是否选对了供应商账号和报表周期，仍需核验。下载到文件，只能证明下载发生了，不能证明报表正确。

工作流的哪一段适合让 AI 操作电脑？

把视觉操作用在确实需要理解屏幕的环节。报表一旦成为文件，普通软件就能检查列字段、读取日期，并将文件移到获准的目标位置。后续步骤仍让智能体通过屏幕处理，只会增加判断次数，未必增加价值。

浏览器操作与完整桌面操作也要分清。浏览器可以访问网页门户，却不能因此直接操作只以 Windows 原生应用形式运行的 ERP。比较模型品牌之前，先确定任务究竟发生在哪种环境里。

选型前，先看产品和计费方式有哪些变化

目前可选的主要是开发者工具、按订阅使用的助手，以及拥有独立计费方式的自动化平台。它们的安全控制和费用不能混为一谈。

**本文依据厂商在线文档核验，核验日期为 2026 年 10 月 13 日。**内容属于文档调研与成本分析，未登录实际门户进行测试，也不是基准测试。

最需要留意的名称变化来自 OpenAI：其 ChatGPT agent 帮助页面目前表示，该产品已不再提供，并引导用户使用 ChatGPT Work 和云端浏览器。但页面下方仍保留了旧套餐和消息额度的说明。新部署的预算不要再按这些旧限制估算。ChatGPT agent 产品状态

比较时要看运行环境、计费单位、审批机制，以及流程停住后由谁负责。token 衡量模型输入和输出的用量，其中也包括编码后的截图，并不代表已完成的操作数。模型能力排名是另一个选型维度，我们在电脑操作智能体的多模态模型选型文章中进一步讨论了这些取舍。

OpenAI 电脑操作方案：选 API 还是 ChatGPT Work？

**希望自行掌控执行环境的开发者，可以选择 OpenAI 的 Responses API computer use。**现行结构化操作示例使用 GPT-6.1 Sol。对于 GPT-6 Astra，OpenAI 也推荐代码执行集成方式，由模型生成的代码通过你的运行时操作界面。这些是集成方式的区别，不是订阅套餐的区别。现行 API 指南

**计费：**OpenAI 将模型价格标为“每 1M token 的价格”。GPT-6.1 Sol 的 Standard 短上下文费率为每百万 token 输入 $2、输出 $10，缓存输入和缓存写入另有费率。这只是模型费用，不是完成一次门户任务的报价。现行价格表没有单列电脑点击费用；其中每千次工具调用 $2.50 的项目属于文件搜索。OpenAI API 价格

**安全：**OpenAI 要求开发者隔离浏览器或虚拟机、限制网站和操作、将屏幕内容视为不可信输入，并对后果重大的操作取得确认。虚拟机是一台独立的软件电脑；隔离是否有效，取决于你在其中开放了哪些账号、文件和网络。除了给模型写指令，还要把这些限制落实到执行器中。执行与用户同意指南

**托管方案：**OpenAI 的 Agents API 提供浏览器，每次访问新的网站来源（origin，用于界定网站的地址边界）都需要批准。文档明确区分了两件事：批准网站访问，并不等于强制每项具体操作都先确认。如果某项操作必须在技术上做到“未经批准就无法执行”，就要限制浏览器可访问的资源，或改用自己控制的运行时。托管浏览器文档

Agents API 的模型用量按 API 费率计费，工具按各自标准费率计费，托管沙箱按容器费率计费。评估这条路线时，必须补上环境和工具用量，不能直接沿用只含模型的估算。Agents API 计费规则

ChatGPT Work：非开发者目前可以怎么用？

**要把受支持的网站任务交给 OpenAI 的现行产品处理，对应的选择是 ChatGPT Work 云端浏览器。**它使用一台独立的云端电脑，而不是你现有的浏览器会话。是否可用取决于受支持的付费套餐、所在地区和工作区权限。云端浏览器文档

**计费：**对于符合条件的个人套餐，OpenAI 表示会先消耗套餐内用量；超出部分中受支持的用量可以使用另购积分。Work 可能与其他智能体功能共享这份额度。Business 和 Enterprise 的 Work 积分计费以 token 为基础，费率随模型和协议而定。这两类规则都无法给出统一的单次下载美元价格。个人套餐用量规则、企业积分费率表

**安全：**云端浏览器默认会在访问新网站时申请权限，提供网站允许与屏蔽设置，并在设计上要求对后果重大的操作请求确认。登录通过安全表单完成；网站运营方仍可阻止自动化访问。供应商门户能在你自己的浏览器里使用，不代表在这个云端浏览器里也能正常运行。云端浏览器控制措施

如果流程由操作人员主导，且结果可以复核，可以考虑这条路线。如果任务需要由应用强制执行的暂停点、结构化日志，或企业自行掌控的恢复流程，则应选择 API 集成。

Anthropic：选 computer use tool 还是 Claude in Chrome？

**Anthropic 的 computer use tool 为 Claude 提供屏幕操作和输入能力，具体调用由你的应用执行。**当前客户端工具集可在一轮中返回多个操作，支持的模型包括 Claude Sonnet 5.5。目前，Claude Managed Agents 内尚不提供这一工具。如果你以为托管产品会一并提供桌面环境，这个区别尤其需要看清。Anthropic 电脑操作文档

**计费：**Anthropic 表示，computer use 按标准工具调用费率计费。当前默认工具集会增加约 4,500 个输入 token，截图和工具返回结果还会额外消耗输入用量。Claude Sonnet 5.5 的基础价格为每百万 token 输入 $2、输出 $10。任务中反复观察屏幕、携带对话历史，都会让实际成本高于仅凭最初那条指令所做的估计。工具费用、模型价格

**安全：**Anthropic 会扫描截图等工具返回内容，检测疑似提示注入，也就是藏在页面内容中、试图改变智能体行动方向的指令。检测机制会引导 Claude 核实指令是否来自用户。Anthropic 仍要求隔离敏感数据和操作，并取得用户同意。分类器是一道防护，不能取代权限边界。开发者还应限制执行环境能够访问的网站。电脑操作安全说明

如果任务仅涉及网页，Anthropic 建议考虑独立的 browser use tool，它既能利用页面结构，也能处理截图。不要仅仅因为门户没有 API，就搭建完整的桌面环境。browser use tool 文档

我们在多操作电脑控制成本分析中解释了批量执行操作的经济性。实际边界很清楚：遇到必须由人检查当前状态、批准下一步的节点，就不能继续把后面的操作打包执行。

Claude in Chrome：共享套餐用量，单独管理浏览器权限

**Claude in Chrome 是 Anthropic 的浏览器扩展，可以在你操作网站时协助阅读、点击和浏览。**Pro、Max、Team 和 Enterprise 套餐均可使用。Chrome 侧边栏仍处于 beta 阶段，Cowork 的体验则会随功能开放进度和管理员设置而变化。Claude in Chrome 设置说明

**计费：**Anthropic 表示，在 Chrome 中的使用会与 Claude 或 Claude Code“计入同一套餐的用量上限”。浏览器交互比普通对话消耗更多用量；Automatically approve（自动批准）模式还会因安全检查而消耗额外额度。文档未给出每下载一份报表的固定费用。Chrome 用量限制

**安全：**在 Manually approve（手动批准）模式下，需要审核计划访问的内容和执行的操作。权限指南规定，即使网站已获得持续访问权限，下载仍受权限机制保护；涉及敏感信息和授权时也需要许可。禁止的操作包括购买、创建账号、永久删除，以及不可信下载等。组织可以设置网站允许列表和屏蔽列表。不同模式的机制不同，不能假定无人值守模式会保留手动模式的每个确认节点。Chrome 权限说明

扩展能访问你的浏览器，确实方便，但也意味着它可能接触已登录状态下的数据。Anthropic 建议使用独立的浏览器配置文件，并避免访问敏感或受监管的页面。如果供应商门户包含公司机密或个人数据，应先确认是否适用，再决定是否采用这条路线。Chrome 安全使用指南

Microsoft Copilot Studio：跨 Windows 应用操作，按模型步骤计费

**任务需要在 Windows 桌面应用和网站之间切换时，Microsoft Copilot Studio computer use 是值得考虑的方案。**它通过采用生成式编排的智能体操作已配置的电脑；生成式编排负责选择和协调智能体的工具。Microsoft 电脑操作功能

**计费：**Microsoft 的计费单位是模型步骤：标准模型每步 5 Copilot Credits，高级模型每步 15 Copilot Credits。一个步骤可能包含多次点击或其他底层操作。因此，数一数流程里有多少个按钮，并不能推算账单。电脑操作功能许可与计费

**安全：**要限制可访问的网站和应用，需要启用访问控制，默认状态并没有这类限制。Microsoft 表示，该控制会阻止与列表外对象的交互，但不会阻止这些网站被打开。应使用专用、隔离的电脑，并检查连接使用的是哪个身份。访问控制说明

人工监督功能可以请求澄清，但 Microsoft 明确表示，这类请求具有概率性，不能保证在安全风险前停下，也不能保证执行自定义规则。因此，采购审批需要在工作流中另设可强制执行的边界。只写一句“先询问用户”远远不够。人工监督功能的限制

对中型企业的 CTO 来说，吸引力在于能够沿用现有的 Windows 和自动化环境。但预算不能只算积分，还要包括电脑管理、权限配置和异常处理。对只想下载一份网页报表的创业者来说，这套基础设施可能过于繁重。

开发者还可以考虑 Google 和 Amazon 的方案

Google Gemini Computer Use：自行实现执行器

**Google Gemini Computer Use 通过开发者自行实现的执行器，支持浏览器、移动端和桌面环境。**Google 的现行指南推荐 Gemini 3.8 Flash。Gemini Computer Use 文档

**计费：**Google 将 Computer Use 的计费方式描述为“按模型价格，以常规 token 计费”。截至 2026 年 12 月 31 日，Gemini 3.8 Flash 的 Standard 付费费率为每百万 token 输入 $0.75、输出 $3.75，输出包含思考用量。页面列出的 2027 年 1 月 1 日起费率为输入 $1.50、输出 $7.50。免费层级不提供 Computer Use 功能。Gemini 价格

**安全：**客户端必须落实确认请求和禁止执行的操作。Google 建议使用沙箱，以及导航允许列表和屏蔽列表；基于截图的提示注入检测需要主动开启，默认关闭。应明确启用这些控制，而不是以为声明了工具就自动获得了全部保护。Gemini 安全控制

这也是面向开发者的方案，并非拿来就能上岗的运营助手。token 费率再有吸引力，也没有包含浏览器托管和人工审核流程的成本。

Amazon Nova Act：用 Python 编排浏览器任务

**Amazon Nova Act 将自然语言浏览器操作与 Python 工作流编排结合起来。**如果开发者希望用明确的程序逻辑来约束和组织智能体的浏览器操作，可以考虑这一方案。Nova Act 概览

**计费：**AWS 标价为“每智能体小时 $4.75”，按智能体实际工作的时长计费，并行运行的智能体各自产生用量。如果接入其人工介入机制，等待人工的时间不计入用量。任务费用的计算方式是实际工作小时数乘以 $4.75，另行产生的基础设施成本尚未计入。Nova Act 价格

**安全：**SDK 可以通过状态防护规则限制 URL；除非路径获准，否则会阻止访问本地文件和上传文件。人工审批需要你使用 SDK 自行实现，并不是一项托管审核服务。外围浏览器环境同样要受到约束；URL 规则本身并不代表任务获得了操作授权。SDK 安全说明、人工介入机制的实现

执行一次任务到底要花多少钱？

**门户报表下载不存在一个站得住脚的统一单价。**厂商分别按 token、步骤、实际工作时长或共享订阅用量计费。要报出每次任务的价格，必须先明确实际工作流，以及怎样才算完成。

为了让计算过程清楚可核对，下面借用 Anthropic 公开计费示例中的 50,000 个输入 token 和 15,000 个输出 token。这不是电脑操作任务的实测用量，只是一组有文档出处、可用于演算的数量。假设输入均为普通非缓存输入，没有缓存写入，也没有额外工具或托管费用。示例 token 数量的来源

这些结果由我们根据所引 OpenAI、Anthropic 和 Google 费率计算得出。相同的 token 数量，并不代表完成任务所需的工作量、速度或可靠性相同。估算时要使用整次运行的计费用量，包括被计费的历史记录和截图，而不是只数初始提示词有多少字。

Microsoft 还给出了另一种计算示例：一个需要四个模型步骤的工时表流程，消耗 20 个标准模型积分或 60 个高级模型积分。按其文档所列每积分 $0.01 的即用即付价格，电脑操作步骤的费用分别为 $0.20 或 $0.60。这是 Microsoft 的工时表示例，不代表你的门户任务也只需四步。步骤计费示例、积分价格

订阅助手需要换一种核算方式。剩余额度可能覆盖这次使用，不产生额外现金支出，但它仍会占用其他工作需要的容量。拿订阅费除以宣传中的消息上限，也会把“一次请求”和“一份已核验合格的报表”混为一谈。

按验收合格的结果核算成本

实际运营可以使用这个公式：

每份合格报表的成本 =（所有运行费用 + 分摊的执行成本 + 人工审核与故障恢复成本）÷ 验收合格的报表数。

失败的运行也要计入分子。只有账号、周期、文件内容和目标位置均符合要求，报表才算通过验收。否则，“每次尝试下载的成本很低”反而会鼓励错误的行为。

对于每周执行的任务，人工成本的比较同样要具体：原本手动处理所需时间，减去审批、检查和故障恢复所需时间。将实际节省的时间乘以企业自身包含各项负担的人工费率，再减去自动化成本。如果在设定的回本周期内，收益不足以覆盖持续维护和初始搭建成本，就继续手工处理，或采用更简单的自动化。

这里没有假设人工费率、成功率或完成时间。这些数据必须由企业实际测量，厂商的 token 价格无法替代。

什么时候该优先选 API、MCP 或浏览器自动化？

**只要直接调用的方式能够完成所需的确切操作，就优先考虑它。**API 让软件无需操作界面即可调用功能，通常应当先查这条路。在委托开发视觉智能体之前，先向供应商确认是否有报表接口、定时导出或受支持的文件交付方式。

MCP 服务器使用 Model Context Protocol，通过通用接口向 AI 应用开放工具和数据。它可能封装 API，也可能驱动浏览器。因此，MCP 并不天然是电脑操作的替代方案：工作如何完成，取决于背后的工具。MCP 架构

**如果某个专用 MCP 工具能直接提供获准的操作，就优先使用它。**例如，直接获取已批准的报表。与开放整个屏幕相比，这能缩小模型可执行操作的范围。但供应商从未开放的导出功能，MCP 也无法凭空变出来。

**如果任务反复使用同一组稳定控件和校验规则，就优先考虑有人维护的浏览器脚本。**脚本可以选择周期、等待下载，无需模型重新理解每一步。它仍需维护和检查，优势在于能把已知行为明确写进程序。

**如果流程需要判断，而页面又提供了可利用的结构，可以选择配备相应工具的浏览器智能体。**Microsoft 的 Playwright MCP 使用无障碍快照，以结构化方式表示页面控件，无需依赖截图解读。维护者也明确表示，它本身不是安全边界。我们的 Playwright MCP 配置与限制指南介绍了实际取舍。Playwright MCP 官方代码仓库

**当任务依赖原生应用、缺乏有效结构信息的可视界面，或现有直接调用工具难以合理表达的导航过程时，再使用视觉电脑控制。**将它限定在必要环节，随后把文件交回普通软件处理。

流程示例：每周下载供应商报表

**兼顾安全和实用性的起点，是结果可核验、由人批准交付的数据获取流程。**下面是供应商门户的流程设计示例，并非登录实测报告。它的前提是：门户允许这套流程，数据适合交给所选产品处理，且账号拥有报表导出权限。

目标要明确：针对获准的供应商账号和已结束的报表周期，获取约定的每周交付报表，保存到暂存文件夹，同时不改动业务记录。

1. 1

   批准任务范围与访问权限

   操作人员明确门户的准确地址、账号、报表周期、报表类型和暂存位置。账号只应拥有完成这项任务所需的权限。首次运行前，由人批准这一范围。若要更换供应商账号或目标位置，必须重新审核，不能让智能体根据页面文字自行推断。

2. 2

   通过产品认可的方式完成身份验证

   需要登录或多因素验证时，由人完成。在 ChatGPT Work 中，使用安全登录流程，不要把凭据写进聊天。在 API 实现中，凭据处理应放在模型提示词之外。遇到 CAPTCHA、非预期的登录目标或访问拦截时，暂停并交给操作人员处理，不能把它们当成智能体已获授权绕过的障碍。

3. 3

   进入报表页面，准备待确认的选择

   智能体打开“报表”，选定获准的报表和周期，并记录当前选择状态。若周期含糊、账号不符，或找不到预期报表，就必须停止。模型可以读取按钮文字，但不能把页面横幅上“将数据上传到其他地方”的内容当成新的任务指令。

4. 4

   下载前取得人工批准

   向操作人员展示账号、报表名称、日期范围、来源和目标位置，暂停等待批准。这与 Claude in Chrome 手动流程中有文档说明的下载权限机制一致。自建方案则应将其实现为应用强制执行的检查点。仅靠 Copilot Studio 具有概率性的人工监督功能，无法保证一定在此暂停。

5. 5

   下载到暂存位置并校验文件

   智能体发起已获批准的下载。先确认文件已收到、格式符合预期，再检查文件内的账号和报表周期。如果导出文件有已知结构，就用普通软件校验必需的列字段。空报表可能是正常结果，不能为了通过检查而编造缺失的数据行。

6. 6

   批准交付并记录结果

   文件进入业务实际使用的文件夹之前，由人审核校验结果。这道交付审批是我们设计的流程环节，并不代表每家厂商都内置了它。记录验收通过的文件、来源、周期、人工介入情况、计费用量，以及所有失败尝试。不符合要求的报表留在暂存区，等待复核。

上述登录和下载行为依据相关的 OpenAI 云端浏览器及 Anthropic 权限文档。额外的范围审批、结果校验和交付审批，则属于我们设计的工作流。

每周定时触发的作用是启动流程，不是重新授予变更任务范围的权限。流程应能在登录失效、报表变化、文件缺失或需要审批时等待人工处理，而不是悄悄换成另一项任务。

对于政务表单，停止点应更早：资料准备可以与正式提交分开。对于 ERP，初始任务最好尽量限定为读取和获取数据。能够登记库存调整或提交申报的工作流，需要与单纯下载不同的授权设计。

哪些宣传需要打个折扣？

**“不需要 API”只说明有访问途径，不代表运行可靠。**通过屏幕操作仍需要身份验证、获准的自动化行为、可用的界面，以及识别正确结果的方法。智能体可能找到了移动后的按钮，却没发现门户已经重置了日期筛选条件。

**“有需要时会询问”不等于强制审批。**OpenAI 的托管 API 将网站权限与操作确认分开；Microsoft 也明确表示，不能保证一定发起人工监督请求。采购时应让实施方展示：禁止的操作究竟在哪里被拦住，而不只是展示提示词里写了“不要这样做”。

**“一次任务只要几美分”可能省略了最贵的部分。**如果重试需要人打开运行记录、理解当前状态，再恢复流程，那么即使模型账单很低，也会消耗人工。真正有意义的比较，是在明确审核负担的前提下，得到多少验收合格的结果。

**“适用于任何应用”不能作为验收标准。**在示例表单上的演示，不能证明它兼容你供应商的登录流程、报表选择器或文件导出。应要求对拟采购的实际工作流提供证据，并将这些证据与厂商基准测试分开看待。

哪些人适合现在上手，哪些人应该再等等？

**操作人员：**从已获批准、且你已经知道如何核验结果的数据获取任务开始，并明确由谁处理异常。如果手动完成比监督自动化更省事，采用它的理由就不充分。

**开发者：**从权限范围最小的集成方式入手，只在必要处增加屏幕控制。停止条件、日志、校验和恢复流程都要有人负责。模型只是组件，最终交付的是能持续维护的工作流。

**创业者和采购决策者：**要求报价拆分初始搭建、持续软件费用、执行和审核成本。问清门户改版后如何处理，以及恢复费用由谁承担。如果方案能造成后果重大的改动，却只靠自然语言指令来要求审批，应暂缓采用。

**已经有 API 或可靠导出方式的团队：**你们可能无需改变现有流程。用更多屏幕操作去替换可靠集成，并不会因此获得额外的运营收益。

操作人员最关心的问题

供应商门户没有 API，智能体也能操作吗？

有可能，前提是所选产品能访问并操作该门户，网站允许这套流程，而且任务结果可以核验。没有 API，只说明需要寻找其他访问方式，不能据此认定浏览器一定兼容，也不能据此认定已经获得自动化操作许可。

能每周自动运行，不用我重新登录吗？

这取决于会话能否保持，以及门户的身份验证策略。定时流程应在需要身份验证或审批时暂停。产品能安排定时任务，并不意味着可以承诺全程无人值守完成。

老旧 Windows ERP 适合用哪种电脑操作智能体？

先看所需的运行环境。Copilot Studio 支持已配置的 Windows 电脑；由开发者控制的电脑操作集成也可以提供自建桌面环境。只有 ERP 工作流能在助手支持的浏览器中完成时，浏览器专用助手才合适。随后再比较权限、故障恢复由谁负责，以及每份合格结果的成本。

智能体填完政务表单后，可以直接提交吗？

获准准备表单，不代表获准提交。应由人审核具体信息和申报内容，遵守所选产品的限制，并设定明确的最终批准环节。如果无法强制执行这一环节，就由人完成提交。

**下周一就能做的事：**为每周下载任务写清供应商账号、报表周期、允许的目标位置、验收检查项和审批负责人。在规划有人监督的屏幕操作方案之前，让工作流负责人先确认是否已有受支持的导出或集成方式。

想了解更多务实的 AI 应用决策，订阅邮件通讯。