Mano-P 1.0：我盯着这个 demo 看了几秒，才意识到 GUI Agent 终于开始像回事了

以下文章来源于AI工具教程，作者AI工具教程

Mano-P 1.0：AI 终于开始真的“看着屏幕干活”了

我刚看到 Mano-P 这个项目时，先停了一下。

不是因为它又在讲什么 Agent，也不是因为它说自己能自动操作电脑。现在这类话已经太多了。让我多看两眼的是另一件事：它不吃 DOM，不走系统 API，就直接看屏幕截图，然后点、拖、输、切，按界面长什么样来做事。

这个味道一下就不一样了。

过去很多所谓“自动化”，本质还是在读结构化信息。网页能跑，是因为有 DOM；桌面端能接一部分，是因为系统愿意给 API；但你一旦把场景换到原生软件、各种奇怪客户端、甚至改版过的 App，那套东西就开始飘。元素识别错位，按钮层级乱掉，脚本一长，后面全崩。

所以很多 Agent 看着很能干，实际上活动范围没出浏览器。

Mano-P 1.0 是从另一个方向切进去的。它不要求目标软件给接口，也不要求你提前适配什么协议，就是把当前屏幕当成唯一输入。看到哪里是输入框，哪里是菜单，哪里该点下一步，完全按视觉来理解。

说直白点，它不是“调用系统能力去操作界面”，而是把自己放到一个真实用户的位置上。

这件事一旦成立，边界就会突然宽很多。

网页、桌面软件、各类 App，理论上都能进同一套操作逻辑里。你不用再为每个界面单独写一层解析，也不用一改版就回去补规则。界面变了，结构可能全变，但只要视觉上还能看懂，它就还能继续干活。

我觉得这才是它最值钱的地方，不是“能操作”，而是少了一层很重的维护。

看 GitHub 介绍时，还有个点挺实际：它已经能接到 Claude Code、OpenClaw 这类 Agent 工具里。这个组合很像是把前面会想、会拆任务的脑子，接上了后面真的能落到屏幕上的手。很多以前只能停在“我建议你点击这里”的流程，现在可以往前再走一步。

而且它不是只做两三步演示。项目里提到，复杂任务可以拉到数十步、上百步。

这就不是 demo 感了。

另一个让我有点在意的是它坚持本地推理。数据不出设备，这对企业场景尤其重要。很多界面自动化一碰内网系统、财务后台、客户资料就卡住，不是不能做，是不敢把屏幕和操作过程往外送。Mano-P 这类纯本地方案，至少把这道坎先跨过去了。

部署也没有想象中那么重。M4 芯片、32GB 内存的 Mac，上 4B 量化版本就能直接跑。看到这里，大概能明白它为什么会被不少人盯上：不是那种必须堆大卡、远程服务、专门环境才能碰的东西。

它离“真正可用”还差多远，肯定还得看长任务稳定性、误操作率，还有不同分辨率和复杂 UI 下的表现。

但至少有一点已经很清楚了：

AI 自动操作这件事，终于开始从“读网页代码”往“直接看屏幕做事”走了。

Mano-P 1.0 值得看的，不只是又一个 GUI Agent，而是它把路线换了。