OpenClaw 大厂布局全景图

一、大厂入局时间线

从全球范围来看，2024年底 Anthropic 发布 Computer Use（计算机操控）功能，首次让 AI 能够像人类一样操作电脑屏幕——移动鼠标、点击按钮、输入文字、浏览网页。这一技术突破迅速引发行业跟进。2025年，OpenClaw 作为该领域的开源实现方案逐步成形，为各大厂商提供了技术参考和生态基础。

1.1 关键时间节点

时间	厂商	产品/项目	里程碑意义
2024年底	Anthropic	Computer Use (Claude)	开创 AI 直接操控电脑界面的技术范式
2025年Q2	腾讯	QClaw（混元大模型团队）	国内首个开源计算机操控框架
2025年Q2	腾讯	WorkBuddy	面向企业办公场景的 Agent 产品化尝试
2025年Q3	阿里巴巴	CoPaw + HiClaw	通义千问驱动，强调多模态感知和操作
2025年Q3	百度	DuClaw + RedClaw	文心大模型支撑，搜索业务深度整合
2025年Q4	字节跳动	ArkClaw	豆包大模型驱动，追求跨平台兼容
2025年Q4	小米	miclaw	从手机/平板到 IoT 设备的系统级操控
2026年Q1	微软	Copilot 整合 (Computer Use)	将计算机操控能力整合进 Windows / Copilot
2026年Q1	NVIDIA	NemoClaw	面向开发者，底层算力优化方案
2026年Q1	字节跳动	Moltbook	面向移动端/平板端的轻量级解决方案

二、腾讯（QClaw + WorkBuddy）深度解析

2.1 QClaw：开源计算机操控框架

QClaw 是腾讯混元大模型团队推出的开源计算机操控框架，以"Quasi-human Claw"（类人爪）为设计理念，旨在让 AI Agent 能够像人类一样精确操控计算机界面。其技术特点包括：

• 多模态感知层：基于混元大模型的视觉能力，实时截取屏幕画面并解析 UI 元素的位置、类型和状态，支持桌面端（Windows/macOS）和移动端（Android）界面识别。
• 精细化操控引擎：采用"先定位、后操作"的两阶段架构——先通过视觉定位模型标注目标元素坐标，再生成精确的鼠标/触控操作指令。定位精度达到像素级。
• 动作规划模块：将复杂任务（如"填写报销单"）分解为原子操作序列（打开浏览器 -> 导航到 OA 系统 -> 点击报销入口 -> 填写表单字段 -> 提交），支持动态纠错和重试。
• 安全沙箱机制：内置敏感操作确认、操作审计日志、权限分级控制等安全措施，防止 AI Agent 执行越权操作。
• 开源策略：采用 Apache 2.0 协议开源，提供 Python SDK 和标准 API 接口，社区贡献者已超过200人。

2.2 WorkBuddy：企业级办公 Agent

WorkBuddy 是腾讯在 QClaw 之上构建的企业级 AI 办公助手产品，深度集成于企业微信和腾讯文档生态中。核心功能包括：

• 自动化流程执行：能够自动完成请假审批、费用报销、合同审核等标准办公流程。用户只需自然语言描述需求，WorkBuddy 即可自动操作企业微信后台完成全流程。
• 跨应用操作：支持在企业微信、腾讯文档、腾讯会议、CRM 系统之间自由穿梭操作，实现数据自动流转和任务衔接。例如：从会议纪要中提取待办事项，自动创建腾讯文档任务并分配责任人。
• 文档智能处理：基于计算机操控能力自动排版、格式化、合并/拆分文档，支持批量处理 Excel 数据报表、生成 PPT 演示文稿等。
• 培训与演示：企业内测数据显示，WorkBuddy 在标准办公流程场景中可将操作时间平均缩短 60%，错误率降低 85%。

2.3 腾讯的差异化优势

• 社交+办公生态闭环：微信/企业微信连接了超过 1500 万家企业，天然适合 Agent 产品的规模化渗透。
• 开源策略抢占开发者心智：QClaw 的开源策略吸引了大批开发者和企业用户，形成了良好的社区生态。
• 混元大模型的自研能力：腾讯混元在多模态理解和指令跟随方面的持续迭代，为 QClaw 提供了底层能力保障。

三、阿里巴巴（CoPaw + HiClaw + Hermes Agent）

3.1 CoPaw：电商运营 Agent

CoPaw 是阿里巴巴推出的面向电商运营场景的 AI 计算机操控 Agent，其名称寓意为"协同之爪"（Collaborative Paw）。核心应用场景涵盖：

• 商品上架与详情页优化：自动登录千牛卖家中心，上传商品图片、填写标题和描述、设置价格和库存参数，优化详情页排版。
• 店铺运营自动化：自动进行优惠券设置、满减活动配置、店铺装修、客服消息批量回复等日常运营操作，大幅减少人工重复劳动。
• 竞品分析监控：定时访问竞品店铺页面，采集价格变动、上新情况、促销策略等信息，生成分析报告。
• 数据报表处理：自动从生意参谋等后台系统中提取销售数据，进行可视化处理和异常检测。

CoPaw 在淘宝/天猫商家群体中已开放内测，首批 5000 家商户的使用数据显示，店铺日常运营效率平均提升 3-5 倍，商品上架时间从平均 15 分钟缩短至 2 分钟以内。

3.2 HiClaw：通用 Agent 平台

HiClaw 是阿里巴巴推出的通用计算机操控 Agent 平台，定位为"AI Agent 的操作系统"：

• 跨平台兼容：支持 Windows、macOS、Linux 桌面环境，以及 Android、iOS 移动端界面操控，统一的 API 接口降低了开发者的适配成本。
• 插件生态：提供插件市场，第三方开发者可以开发专用的"操作技能包"（如 Photoshop 操作技能包、SAP 系统操作技能包），每个技能包针对特定应用的操作流程进行优化。
• 通义千问深度集成：底层依赖通义千问 2.5 的多模态能力，在 UI 元素识别、操作意图理解和任务规划方面表现出色。
• 阿里云服务整合：与阿里云的函数计算、OSS 存储、日志服务等无缝集成，方便企业构建生产级 Agent 工作流。

3.3 Hermes Agent：下一代 Agent 架构探索

Hermes Agent 是阿里巴巴达摩院的前沿研究项目，代表了下一代 Agent 架构方向：

• 自我反思与纠错：引入"思考-行动-观察-反思"的循环机制，Agent 在执行每一步操作后主动评估结果是否正确，发现错误自动回退重试。
• 长期记忆与经验积累：支持从过往操作中学习经验，形成可复用的"操作记忆库"（Operation Memory Bank），类似人类的肌肉记忆。
• 多 Agent 协作：支持多个 Agent 实例协同完成复杂任务（如一个 Agent 负责数据收集、另一个负责数据分析、第三个负责报告撰写），通过标准化通信协议协调。
• 研究定位：Hermes Agent 目前更多地处于研究探索阶段，其技术积累正在逐步反哺 CoPaw 和 HiClaw 的产品迭代。

四、字节跳动（ArkClaw + Moltbook）

4.1 ArkClaw：通用桌面操控 Agent

ArkClaw（名称取自"方舟之爪"）是字节跳动推出的通用桌面端计算机操控 Agent，基于豆包大模型的多模态能力构建。技术特色包括：

• 高性能 UI 识别：自研的界面元素识别模型在主流 UI 组件检测基准上达到业界领先水平。支持动态元素（如弹出菜单、下拉列表、加载动画）的状态感知，操控成功率超过 92%。
• 跨平台兼容设计：基于 Chromium 渲染引擎的截图分析技术，在 Windows、macOS、Linux 上实现一致的操控体验，对 Electron 应用的操控尤其稳定。
• 错误恢复机制：引入"执行回滚"能力 —— 当某一步操作失败时，Agent 能够自动恢复到操作前的界面状态重新尝试，而非简单重试导致错误累积。
• 内容创作场景深耕：与剪映、飞书、巨量引擎等字节系产品深度整合，支持视频剪辑自动化、文章排版发布、广告素材制作等工作流。

4.2 Moltbook：移动端 Agent

Moltbook 是字节跳动面向移动端/平板端推出的轻量级计算机操控方案，具有以下特点：

• 轻量化架构：模型体积压缩至桌面版的 1/5，可在中端手机上流畅运行，端侧推理延迟控制在 200ms 以内。
• 触控操作优化：针对触控交互特点优化——支持滑动、长按、多点触控等移动端特有操作，而非简单模拟鼠标点击。
• App 内操作能力：支持操作抖音、今日头条、番茄小说等字节系 App 的界面，以及第三方应用，实现跨 App 数据流转。
• 应用场景：直播助手（自动回复评论、上架商品）、内容运营（自动发布和管理多平台内容）、移动办公（自动处理邮件和消息）等。

4.3 字节的独特视角

字节跳动在 Agent 领域的布局有三个独特特点：第一，强调"内循环优先"，先解决自己生态内的效率问题（广告、内容、飞书），再向外输出；第二，移动端优先，以 Moltbook 为抓手，在智能手机 Agent 这一增量市场抢占先机；第三，豆包大模型的用户量级为 Agent 产品提供了天然的流量入口和反馈数据。

五、百度（DuClaw + RedClaw + 百度搜索 Skill）

5.1 DuClaw：通用操控框架

DuClaw 是百度推出的通用计算机操控 Agent 框架，基于文心大模型 4.0 构建：

• 文心大模型驱动：文心 4.0 在中文 GUI 理解和操作意图识别方面表现突出，在百度的内部评测中，对中国软件（如微信、钉钉、WPS 等）的操作准确率领先开源方案 15% 以上。
• 搜索增强架构：独特地融合了百度搜索能力——当 Agent 不确定如何操作时，可以"搜索"相关操作文档和教程，实现操作知识的动态扩展。
• 百度系产品整合：深度支持百度网盘文件管理（自动分类、备份、分享）、百度文库文档处理（格式转换、批量下载）、百度地图路线规划等场景。
• 开发者工具链：提供完整的 SDK、调试工具、模拟测试环境和性能监控面板，降低企业二次开发门槛。

5.2 RedClaw：安全 Agent

RedClaw 是百度推出的面向网络安全领域的计算机操控 Agent，名称取自"红队"（Red Team）的安全测试传统：

• 自动化渗透测试：Agent 能够自动登录目标系统、执行安全扫描、发现漏洞并生成渗透测试报告，将安全测试人员从重复性工作中解放出来。
• 安全运维自动化：自动执行系统安全配置检查、日志分析、异常检测和应急响应操作，7x24 小时监控企业安全状态。
• 合规审计辅助：自动采集和整理安全合规所需的各类证据材料，生成合规审计报告。
• 百度安全生态联动：与百度安全大脑、威胁情报平台深度集成，实现安全事件的智能研判和自动处置。

5.3 百度搜索 Skill

"百度搜索 Skill" 是百度在 OpenClaw 生态中的差异化功能模块，将百度的核心搜索能力以"技能"形式注入 Agent：

• Agent 自主搜索：当任务需要外部信息时，Agent 可以自动打开浏览器，在百度搜索中查找所需信息，并提取关键内容用于后续操作。
• 结果驱动的操作：例如：Agent 搜索"最新报销政策"，理解搜索结果后自动调整报销审批流程中的参数。
• 知识库增强：每次搜索和操作的经验沉淀形成企业私有知识库，后续同类任务可直接借鉴历史经验，效率持续提升。

六、小米（miclaw + 系统级能力）

6.1 miclaw：终端操控 Agent

miclaw 是小米 AI 实验室推出的系统级计算机操控 Agent，其最大特点是与小米澎湃 OS（HyperOS）的深度整合：

• 系统级权限：作为手机厂商，小米拥有其他互联网公司不具备的系统底层权限。miclaw 可以直接调用系统 API 而非模拟操作，实现了更高的执行效率和稳定性。
• 跨设备操控：支持在小米手机、小米平板、小米笔记本、小米电视甚至小米汽车之间实现 Agent 的跨设备操作。例如：用户可以说"把手机上的照片传到电视上播放"，Agent 自动完成全流程。
• IoT 设备操控：通过与米家生态的深度整合，miclaw 可以操控超过 6 亿台连接设备——开关灯、调节空调、控制扫地机器人等，自然语言指令直接转化为设备操作。
• 小爱同学融合：与小爱同学深度融合，用户唤醒小爱同学后，复杂的设备操作需求由 miclaw 代理执行。

6.2 应用场景

• 智能家居场景："我准备睡觉了"——Agent 自动关灯、拉窗帘、调低空调温度、开启加湿器、设置起床闹钟。
• 办公场景：在小米笔记本上操控手机 App（如微信、抖音），实现在 PC 上操作手机应用的流畅体验。
• 汽车场景：小米汽车 SU7 的车机系统中，miclaw Agent 可以自动完成导航设置、音乐播放、座椅调节、充电站查找等操作。
• 自动化场景："每天早上 8 点打开窗帘，播报天气，播放新闻摘要"——Agent 编排一套跨设备的自动化工作流。

6.3 小米的战略意义

小米的 Agent 布局揭示了"硬件+AI"的独特路径：在 Agent 竞争中，软件厂商比拼的是算法和数据，而硬件厂商拥有"端侧入口"和"系统权限"两张王牌。当 Agent 进入"操作万物"的时代，能够操控物理世界（家电、汽车）的 Agent 比仅操控软件的 Agent 具有更广阔的应用想象空间。

七、国际玩家（微软 Copilot 整合评估、NVIDIA NemoClaw）

7.1 微软：Copilot 计算机操控整合评估

微软在 2026 年初通过 Windows 11 大版本更新，正式将计算机操控 Agent 能力整合进 Microsoft Copilot。这一整合的意义远超单一产品发布：

7.1.1 整合架构

• 系统级嵌入：操作能力不是独立的应用程序，而是嵌入在 Windows 操作系统层面。Copilot 可以直接调用 Windows UI Automation 框架（UIA）进行精确元素定位，而非纯视觉识别，精度和速度均优于模拟方案。
• Office 全家桶覆盖：深度整合了 Word、Excel、PowerPoint、Outlook、Teams 等 Office 应用的操作能力，能够实现"根据邮件内容自动创建 PPT 并发送给团队"等跨应用工作流。
• Azure + 端侧混合架构：简单操作在端侧完成（低延迟），复杂推理任务卸载到 Azure 云端（强算力），实现体验与能力的平衡。

7.1.2 核心能力评估

评估维度	表现	备注
Office 操作精准度	极高	基于 UIA 框架，非视觉模拟
第三方应用兼容性	中等	依赖应用是否支持 UIA
跨应用工作流	优秀	Office + Windows 原生无缝衔接
学习成本	低	作为 Copilot 功能模块，无需额外安装
开放生态	有限	深度绑定 Microsoft 生态
端侧性能	优秀	NPU 加速，离线可用

7.1.3 战略意义

微软的策略本质上是"能力内置，生态锁定"——通过将计算机操控能力深度嵌入 Windows 和 Office，微软不仅能提升用户体验，更能进一步强化开发者对微软生态的依赖。这是微软在移动时代落后后，希望在 AI Agent 时代重新定义"操作系统的价值"的关键举措。

7.2 NVIDIA NemoClaw

NVIDIA NemoClaw 是 NVIDIA 面向 AI Agent 开发者推出的计算机操控底层优化方案，定位与国内大厂的 Agent 产品截然不同：

• GPU 加速的视觉推理：利用 NVIDIA GPU 的并行计算能力，将屏幕图像解析速度提升 10-50 倍。NemoClaw 的核心创新在于将 UI 元素检测和定位的推理过程直接在 GPU 上完成流水线处理。
• Nemo 框架集成：作为 NVIDIA NeMo 生态的一部分，提供预训练的操作模型、微调工具链和模型部署方案，降低企业开发计算机操控 Agent 的技术门槛。
• 端侧解决方案：推出 NemoClaw-Edge 版本，针对 Jetson 等边缘设备进行了优化，支持在机器人、自动驾驶、工业检测等边缘场景中部署计算机操控能力。
• 性能基准：在标准 GUI 操作测试集上，NemoClaw 优化后的视觉定位模型在 A100/H100 GPU 上实现了 60fps 的实时处理能力，延迟低于 20ms。

7.3 国际 vs. 国内策略对比

维度	国内厂商	国际厂商
产品形态	独立框架/平台，强调开源	整合进现有生态（Windows/Office）
技术路线	视觉识别 + 模拟操作	系统 API + 混合架构
重点场景	电商运营、广告投放、办公	系统自动化、Office 办公
商业模式	开源引流 + 企业版收费	生态锁定 + 订阅制
AI 模型	自研大模型（混元/通义/文心/豆包）	OpenAI/Copilot + 自研
硬件整合	小米独有，其他较少	NVIDIA 的 GPU 优化

八、产业意义与竞争格局

8.1 产业价值定位

计算机操控 Agent 的产业价值可以从三个层面理解：

• 效率革命层：将人类从重复性电脑操作中解放出来。据麦肯锡估算，全球企业员工平均有 30-40% 的工作时间用于标准化的数字操作（数据录入、报表生成、信息检索等），这些工作理论上均可由 Agent 替代。仅此一项，Agent 技术每年可释放数万亿美元的经济价值。
• 交互范式层：人机交互正经历从 CLI → GUI → LUI（语言用户界面）的第三次跃迁。计算机操控 Agent 是 LUI 落地的关键一环——用户不再需要通过点击菜单和按钮来操作软件，而是直接用自然语言描述需求，由 AI Agent 自动执行。
• 商业模式层：Agent 正在创造全新的"操作即服务"（Operation as a Service）商业模式。厂商可以根据 Agent 执行的操作次数、操作复杂度或节省的时间来收费，这比传统的软件许可证或 SaaS 订阅具有更大的灵活性和增长潜力。

8.2 竞争格局分析

目前 OpenClaw 领域的竞争格局可以概括为"一超多强，格局未定"：

• 先发优势：腾讯 QClaw 在开源社区中具有先发优势，GitHub Star 数量和社区贡献者数量领先于其他国内开源项目。
• 场景优势：阿里巴巴利用电商场景（CoPaw）实现了最快、最直接的商业化验证，客户付费意愿最强。
• 流量优势：字节跳动凭借豆包 App 的亿级用户量，在 C 端 Agent 产品的用户触达方面最具优势。
• 搜索壁垒：百度的搜索增强 Agent 在"知识+操作"的结合上具备独特的差异化能力。
• 硬件的降维打击：小米从硬件切入 Agent 赛道，拥有其他互联网公司无法复制的系统级操控能力和 IoT 生态。
• 系统霸权：微软凭借 Windows 和 Office 的垄断地位，在桌面端 Agent 领域拥有最强大的生态议价能力。

8.3 关键挑战

• 技术可靠性：计算机操控 Agent 面临的核心挑战是"99% 的成功率等于不可用"——在关键业务场景中，一次错误操作可能导致严重后果。目前各厂商的操控成功率在 85-95% 之间，距离生产级可靠还有明显差距。
• 安全性：Agent 拥有操作电脑的权限，这意味着它可能被滥用或恶意攻击。权限控制、操作审计、行为隔离等安全机制是 Agent 规模化落地的前提。
• 标准化缺失：各厂商的操作指令格式、Agent 通信协议、安全规范尚未统一，这阻碍了跨平台 Agent 协作和生态互通。
• 用户信任：让用户放心地将电脑操作权限交给 AI 需要时间，用户教育是 Agent 普及的重要前提。

九、核心要点总结

9.2 十大核心洞察

1. 集体爆发非偶然：2025-2026 年国内外巨头集中布局计算机操控 Agent，标志着 AI 从"对话"走向"操作"的范式转变。
2. 开源成为标配：国内厂商普遍选择开源策略（QClaw 等），旨在抢占开发者生态，这与国际巨头的闭源整合形成鲜明对比。
3. 场景决定路径：各厂商的 Agent 产品与其核心业务高度绑定——腾讯连办公、阿里连电商、字节连内容、百度连搜索，没有放之四海而皆准的通用方案。
4. 系统级 vs 模拟级：小米的"系统 API"路线和微软的"UIA 框架"路线在效率和稳定性上优于纯视觉模拟方案，但受限于生态覆盖范围。
5. 安全是命门：Agent 安全（权限控制、操作审计、防滥用）是所有厂商面临的最大共同挑战，也是用户信任的基础。
6. 人机交互的代际革命：从 CLI 到 GUI 再到 LUI（语言用户界面），计算机操控 Agent 是第三代交互范式的关键技术支柱。
7. 商业模式创新："操作即服务"（OaaS）正在成为新的定价模式，按操作次数/复杂度/节省时间计费将改变软件行业。
8. 标准化需求迫切：统一的操作指令协议和 Agent 通信标准是行业发展的基础设施需求，标准之争可能成为下一阶段竞争焦点。
9. 硬件厂商的独特优势：拥有系统级权限的硬件厂商（小米、微软）在 Agent 操控能力上具有软件厂商难以追赶的底层优势。
10. 变局仍在继续：当前的操控成功率（85-95%）距离生产级可靠（99.9%+）还有明显差距，技术竞赛远未结束。