Agent 大戰(zhàn)，誰也等不起。

作者｜樺林舞王

編輯｜靖宇

2025 年底，一個奧地利開發(fā)者 Peter Steinberger 用一個小時寫了個 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，Steinberger 被迫改名，先改成 Moltbot，后來又改成 OpenClaw。

這本來是一件小事。

但 OpenClaw 隨后爆了。GitHub 上狂飆到 17 萬星，單周訪問量破 200 萬，成了有史以來增長最快的開源 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：開始封禁那些把 Claude API 接入 OpenClaw 的用戶賬號。

社區(qū)炸了。

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

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

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

11 天后，Anthropic 宣布收購 Vercept。

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

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

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

01

屏幕，真正的「最后一公里」

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

這就是 Agent 要解決的問題。

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 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。整個過程，你只需要說一句話。

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

這件事聽起來簡單，實(shí)際上極難。

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

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，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)來自 Allen 人工智能研究所（Ai2），幾個人在機(jī)器人感知、計(jì)算機(jī)視覺、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」：通過解析網(wǎng)頁底層 DOM 結(jié)構(gòu)（文檔對象模型），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，但有一個硬傷——它只對有結(jié)構(gòu)的 web 界面有效。碰到本地軟件、老系統(tǒng)、沒有 API 的企業(yè)應(yīng)用，它就完全沒轍。

Vy 的邏輯是「看像素」：不斷截圖，用視覺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 20 年前開發(fā)的企業(yè)內(nèi)網(wǎng)系統(tǒng)。

Vercept 介紹視頻｜視頻來源：Vercept

Vercept 公布過一組數(shù)據(jù)：在 UI 元素識別基準(zhǔn)測試 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 87.9%。

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

正是這個東西，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——你在手機(jī)上發(fā)一條消息，它幫你在電腦上完成一個任務(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」。

這個細(xì)節(jié)很重要。大多數(shù)人不會專門打開一個 Agent 界面來操作電腦，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，搶的就是這個方向的工程能力和產(chǎn)品直覺。

所以這兩筆「收購」，針對的是 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」的場景卡位。

一個是基礎(chǔ)設(shè)施，一個是用戶習(xí)慣，缺哪個都不行。

更大的背景是，這場戰(zhàn)爭等不起。

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

Agent 時代的競爭，本質(zhì)上是一場基礎(chǔ)設(shè)施的搶占。誰先把「AI 控制電腦」這件事做到足夠好用，誰就在未來幾年的企業(yè)和個人市場里握有真正的籌碼。

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。認(rèn)輸?shù)脑颍?strong>是這場戰(zhàn)爭燒的錢和資源，不是一家 20 人的初創(chuàng)公司能撐起來的。

這大概也是 AI Agent 這個賽道最無情的地方：

好技術(shù)不夠，還得有足夠大的容器來裝它。

*頭圖來源：ProductHunt

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

極客一問

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)美國本土化生產(chǎn)。

點(diǎn)贊關(guān)注極客公園視頻號，