trycua cua
为 AI agent 提供它们可以使用的计算机。Cua 提供开源桌面自动化、隔离云桌面、本地 macOS 虚拟机、专家决策模型，以及用于评估计算机使用 agent 的基准测试。立即在 run.cua.ai 体验 Cua Fleets。选择你的路径。Cua Fleets：配置一台 Linux 桌面，运行一条命令，并保存一张截图。CUA-S1：探索用于计算机使用决策的小型专用模型。Cua Driver：操作计算器并验证其结果。Lume：创建一个 Tahoe 虚拟机并通过 SSH 连接。Cua Bench：创建并验证一个模拟任务。带上你自己的 agent 和模型，或探索 CUA-S1 以获得专用决策能力。Cua 提供计算机和自动化工具。Computer-Use 2.0 描述的是一个 agent 在同一任务中于代码、API 和图形界面之间切换。查看 Cua Driver 的实际运行。两个 Cua Driver 会话在 Omarchy 桌面上选择 LibreOffice Calc 中的单元格和 Inkscape 中的对象，同时一个终端保持在前台。观看 50 秒演示，然后在 Fleet 上探索 Omarchy。recording.mp4。Cua Fleets 在 run.cua.ai 配置隔离云桌面。一个 Fleet 维护沙箱容量；你的代码从池中认领一台桌面，并使用 Sandbox SDK 在其中运行命令、捕获截图并与应用交互。你的第一个结果：配置一台 Linux 桌面，运行 uname -a，保存一张截图，并删除云资源。本教程涵盖 Fleet 凭据、依赖项和清理。池在认领结束后可能会保留付费容量，因此请遵循其清理步骤。本地沙箱和 Fleets 共享 Sandbox SDK，但凭据、镜像、操作和运行时要求不同。使用运行时支持参考来选择环境。对于你自己的硬件，请参阅管理本地沙箱生命周期。你的第一个 Cloud Fleet | Fleet 概览 | Sandbox SDK 参考。Cua Driver 为你的 agent 提供工具，以检查和操作 macOS、Windows 和 Linux 上的原生桌面应用和浏览器。通过 CLI、MCP 或类型化 SDK 连接。后台投递让 agent 可以在应用和平台支持的情况下工作，而无需移动你的指针或夺取焦点；有关边界，请参阅平台支持。macOS / Linux /bin/bash -c "$(curl -fsSL https://cua.ai/driver/install.sh)"。Windows (PowerShell) irm https://cua.ai/driver/install.ps1 | iex。你的第一个结果：连接你的 agent，让它在计算器中计算 6 × 7，并让它验证应用显示 42。本教程涵盖平台设置、权限和 agent 连接。驱动你的第一个应用 | 安装 | CLI 参考。使用 Claude Code、Codex、Cursor、OpenClaw 或其他 agent？找到你的集成。源文档和架构说明位于 libs/cua-driver/README.md。CUA-S1 CUA-S1 是我们用于计算机使用的小型专用 System 1 模型系列。我们使用“System 1”作为工程类比，指快速、有边界的决策，例如选择某个字段应填入哪个值，或是否保持某个元素不变。它不是对模型架构的严格分类，也不是对通用 agent 规划与推理能力的替代。第一个研究配置聚焦于表单：从结构化界面元素和文档值中评分决策，而不是逐 token 生成响应。应用代码负责安排动作顺序，可选的 Cua Driver 集成则在明确的动作边界内处理执行。该项目包括 Python 模型代码、合成数据生成、训练和评估。GitHub 组件是早期的、仅源代码的研究版本；模型权重单独托管在 Hugging Face 上。源代码采用 MIT 许可证。请查看每个模型和数据集卡片，了解其范围、限制和特定产物的许可证。探索 CUA-S1 | 模型卡 | 安全与部署指南。Hugging Face 上的 CUA-S1-FORMS：模型权重 | 数据集。Lume 使用 Apple 的 Virtualization.Framework 在 Apple Silicon 上创建和管理本地 macOS 与 Linux 虚拟机。/bin/bash -c "$(curl -fsSL https://cua.ai/lume/install.sh)"。你的第一个结果：从 Apple 恢复镜像创建一个原生 macOS Tahoe 虚拟机，启动它，并通过 SSH 连接。本教程直接使用 Lume CLI，并解释无人值守设置的默认值。创建你的第一个 Lume 虚拟机 | 安装 | CLI 参考。Cua Bench 构建计算机使用任务、评估 agent，并导出轨迹用于训练。从一个不需要虚拟机、Docker 或模型 API 密钥的模拟任务开始。安装 Python 3.12 或 3.13 以及 uv 后：uv tool install 'cua-bench[browser]'。uv tool run --from 'cua-bench[browser]' playwright install chromium。你的第一个结果：创建一个小任务，运行其参考解决方案，并验证其评估器报告奖励为 1.0。然后自己尝试同一任务。构建你的第一个任务 | 什么是 Cua-Bench？ | CLI 参考 | 与我们合作。资源 文档 — 指南、示例和 API 参考。博客 — 教程、更新和研究。Discord — 社区支持和讨论。GitHub Issues — 错误报告和功能请求。安全 — 私密漏洞报告。引用 如果 Cua 支持了你的研究，请引用该软件：@software { cua2025 , author = { {Cua AI, Inc.} } , title = { Cua } , year = { 2025 } , url = { https://github.com/trycua/cua } , license = { MIT } }。为保证可复现性，请在你的实验中包含所使用的 Cua 版本或提交。引用元数据也可在 CITATION.cff 中获取。贡献 我们欢迎贡献！详情请参阅我们的贡献指南。许可证 MIT 许可证 — 详情请参阅 LICENSE。第三方组件有自己的许可证：Kasm (MIT)、OmniParser (CC-BY-4.0)、可选的 cua-agent[omni] 包含 ultralytics (AGPL-3.0)。商标 Apple、macOS、Ubuntu、Canonical 和 Microsoft 是其各自所有者的商标。本项目与这些公司无关联，也未获得其认可。赞助商 感谢我们所有的 GitHub 赞助者！Adam Cohen、Hillel、CodeRabbit、Zephyr Cloud IO。