开源精选 | Cua:给AIAgent一台能用的电脑,Computer-Use 2.0 开源全栈

关注 "FinOps 实战"，月薪翻倍！

今天「开源精选」栏目要深挖的项目，是最近冲上 GitHub Trending 日榜前列的 AI 基础设施项目 —— Cua。一句话概括它的野心：给 AI Agent 一台它们真正能用的电脑。当大模型开始学会「用电脑」而不是只会「聊天」，这个项目就是那条赛道上最完整的开源工具箱。

01

项目简介

Cua 是什么？

Cua（读作 /kjuːə/）是由 Cua AI, Inc. 开发的开源项目，官方口号是「Give AI agents computers they can use」—— 给 AI Agent 提供可操作的电脑。它不是一个大模型，也不是一个聊天框架，而是一整套面向 Computer-Use（计算机使用）场景的基础设施：开源桌面自动化驱动、隔离的云桌面集群、本地 macOS 虚拟机、专用决策小模型，以及评测基准。项目采用 MIT 协议，代码仓库位于 github.com/trycua/cua。

解决什么问题？

现在的 AI Agent 想操作真实电脑（点按钮、填表单、开应用），面临三大难题：一是没有安全隔离的执行环境，Agent 误操作可能毁掉你的主机；二是缺少跨 macOS / Windows / Linux 的统一自动化接口；三是没有标准化的评测手段，无法量化 Agent 到底「会不会用电脑」。Cua 官方提出的 Computer-Use 2.0 理念认为：Agent 应该能在同一个任务中自由穿梭于代码、API 和图形界面之间 —— 而 Cua 提供的正是支撑这种能力的「电脑」和「工具」。

五大核心模块

1. Cua Driver：跨系统桌面自动化驱动，让 Agent 检查并操作 macOS、Windows、Linux 上的原生应用和浏览器，支持 CLI、MCP 和类型化 SDK 三种接入方式。亮点是「后台投递」—— 在应用和平台支持的前提下，Agent 干活时不会抢占你的鼠标指针和窗口焦点。

2. Cua Fleets：隔离云桌面集群。Fleet 维护一池沙箱容量，你的代码从池中认领一台桌面，用 Sandbox SDK 在里面跑命令、截屏、操作应用，用完即弃，安全隔离。

3. Lume：基于 Apple Virtualization.Framework 的本地虚拟机工具，在 Apple Silicon 上创建和管理 macOS / Linux 虚拟机，适合本地开发和数据生成。

4. CUA-S1：官方自研的小型专用「System 1」决策模型家族，主打表单场景 —— 对结构化界面元素和文档取值做快速打分决策，而不是逐 token 生成回复。源码 MIT 开源，模型权重托管在 Hugging Face。

5. Cua Bench：评测基准工具，用于构建 computer-use 任务、评估 Agent 表现、导出训练轨迹，形成「数据生成 → 训练 → 评估」的闭环。

为什么说它是「基础设施」而不是「玩具」？

很多 computer-use 演示项目只解决「让 Agent 点一下鼠标」的问题，而 Cua 解决的是规模化（Scale）问题：官方 README 的副标题写得很直白 —— Scale computer-use 2.0 with open-source drivers, cross-OS fleets, and benchmarks for training, evaluation, and data generation。翻译过来就是：用开源驱动、跨操作系统集群和基准测试，规模化支撑训练、评估与数据生成。这意味着它同时服务三类人群：做 Agent 产品的工程师（用 Driver 接入）、做模型训练的研究员（用 Fleets + Bench 批量生成轨迹数据）、做安全隔离运维的团队（用 Lume / Fleets 提供沙箱）。一个项目覆盖三条工作流，这是它区别于同类项目的核心壁垒。

另一个容易被忽略的细节是许可证的干净程度：主项目 MIT，第三方组件也逐一列明（Kasm 是 MIT、OmniParser 是 CC-BY-4.0、可选的 cua-agent[omni] 包含 AGPL-3.0 的 ultralytics）。对商用团队来说，这种许可证透明度能省掉大量法务审查时间。

02

Stars 趋势与热度

先看硬数据（采集于 2026-09-20，来源 GitHub API 与 Trending 页面）：

• 总 Stars：24,432

• Forks：1,681

• 今日新增：+859（GitHub Trending 日榜第 2 名）

• 创建时间：2025 年 1 月 31 日，至今约一年半

• 开放 Issues：1,032 个，社区讨论非常活跃

增长态势解读

单日 +859 star，约占总量的 3.5%，这个增速在 AI 基础设施类项目中属于高位 —— 说明「让 Agent 用电脑」这个方向正在被开发者社区快速认可。项目一年半攒下 2.4 万 star，平均每月超过 1,300，属于稳步爬升后借势爆发的典型曲线。

社区活跃度

从 Release 节奏看，Cua 的活跃度相当惊人：cua-driver-rs 组件保持每日 nightly 发布（9 月 14 日到 19 日一天不落），最近的正式版是 2026-09-15 发布的 sandbox v0.8.0。每日构建 + 高频正式版，说明核心团队全职投入、迭代飞快。此外项目还拿到了 Trendshift 趋势徽章，Discord 社区、官方博客、文档站一应俱全，工程化成熟度远超一般开源项目。

值得一提的是仓库的语言构成：主语言标记为 HTML（文档站与演示页），但核心组件横跨 Rust（cua-driver-rs 驱动）、Swift（Lume 虚拟化，深度绑定 Apple 平台）和 Python（Sandbox SDK、CUA-S1、Bench）。这种「多语言各取所长」的架构选择，也侧面印证了团队对性能与生态的平衡考量 —— 驱动层要快要稳用 Rust，Apple 虚拟化必须用 Swift，AI 生态离不开 Python。

03

快速上手

以下内容全部来自官方 README，可以直接照抄执行。

第一步：安装 Cua Driver（桌面自动化驱动）

macOS / Linux 一行命令：

/bin/bash -c "$(curl -fsSL https://cua.ai/driver/install.sh)"

Windows 用 PowerShell：

irm https://cua.ai/driver/install.ps1 | iex

装好后跑官方教程的第一个任务：连接你的 Agent（Claude Code、Codex、Cursor 都有官方集成指引），让它打开计算器算 6 × 7，并验证应用界面上确实显示 42。别小看这个任务 —— 它完整走通了「Agent 决策 → 驱动执行 → 结果验证」的闭环。

第二步：用 Lume 开一台本地 macOS 虚拟机

/bin/bash -c "$(curl -fsSL https://cua.ai/lume/install.sh)"

Lume 基于 Apple Virtualization.Framework，可以从 Apple 恢复镜像直接创建一台原生 macOS Tahoe 虚拟机，启动后通过 SSH 连接，全程无人值守。需要 Apple Silicon 芯片的 Mac。

第三步：用 Cua Bench 构建并评测任务

需要 Python 3.12/3.13 和 uv：

uv tool install 'cua-bench[browser]'
uv tool run --from 'cua-bench[browser]' playwright install chromium

第一个评测任务不需要虚拟机、Docker 或模型 API Key：创建一个小任务，运行它的参考解法，验证评估器给出 reward = 1.0，然后试着自己完成同一个任务。

进阶：云端 Fleets

如果不想在本地折腾环境，可以直接用 run.cua.ai 的 Cua Fleets：从池子里认领一台隔离的 Linux 云桌面，用 Sandbox SDK 跑命令、截屏，用完销毁。本地沙箱和云端 Fleet 共享同一套 Sandbox SDK，代码可以无缝迁移。注意官方提醒：Fleet 池在认领结束后可能保留付费容量，教程里有完整的清理步骤，跟着做避免多花钱。

上手路径建议

如果你是第一次接触，我建议按这个顺序走：先用 Cua Bench 的模拟任务（零依赖，不需要 VM 和 API Key）理解「任务—评估—轨迹」的概念；再装 Cua Driver，让 Agent 操作一次计算器，感受真实桌面自动化；有 Apple Silicon Mac 的话，用 Lume 拉一台本地虚拟机做隔离实验；最后再评估是否上云端 Fleets。循序渐进，既不会一上来就被环境劝退，也能逐步理解每个模块的定位。官方文档站 cua.ai/docs 对每个模块都有「Your first result」式的入门教程，跟着做即可。

04

总结

项目评价

Cua 是我近期看到的 computer-use 赛道里覆盖面最全的开源项目：从执行层（Driver / Fleets / Lume）到模型层（CUA-S1）再到评测层（Bench），一套 MIT 开源的组合拳全部给齐。它不跟大模型厂商抢「大脑」的生意，而是专心做好「手和脚」—— 这种定位让它可以和 Claude Code、Codex、Cursor 等任何 Agent 搭配，生态位非常聪明。

适用场景

• 构建能操作桌面应用 / 浏览器的 AI Agent（自动化办公、RPA 升级）；• 为 computer-use 模型做数据生成与强化学习训练（Fleets + Bench 导出轨迹）；• 跨平台自动化测试（macOS / Windows / Linux 统一接口）；• 在 Apple Silicon 上快速拉起 macOS 虚拟机做隔离实验。

局限与风险

首先，1,032 个开放 issue 说明项目还在高速演进期，API 可能有破坏性变更；其次，云端 Fleets 是付费服务，重度使用要算成本账；第三，CUA-S1 目前只是早期研究性发布（source-only），生产环境慎用；最后，Driver 的「后台投递」能力有平台边界，具体支持范围要查官方文档，别想当然。

展望

2026 年无疑是 Computer-Use Agent 的爆发之年：OpenAI 的 Operator、Anthropic 的 Computer Use、各家浏览器 Agent 都在抢入口。Cua 押注的是「卖水人」逻辑 —— 无论谁家 Agent 胜出，都需要安全、隔离、可评测的执行环境。每日 nightly 的迭代节奏和单日 859 star 的热度说明社区已经用脚投票。如果你在做 Agent 相关的产品或研究，这个项目值得今天就 clone 下来跑一遍。

如果这篇文章对你有帮助，欢迎点赞、在看、转发三连支持一下！你的支持是我持续深挖开源项目的最大动力。

关注 "FinOps 实战"，月薪翻倍！