智能体利用计算机视觉来操作个人电脑，它们通常会对桌面进行截图或录制视频，理解它们所“看到”的内容，然后在获得点击、打字和滚动权限的前提下采取相应的行动。

AI 编程初创公司 Reflex 认为，实现这一目标所需的工作量绝非易事。该公司最近发布的研究声称，一个操作浏览器的视觉智能体需要消耗高达 50 万个 Token 才能完成一次下拉菜单的点击。该研究得出结论：使用智能体的成本可能比直接使用 API 高出 45 倍。

该公司已将其基准测试工具发布在 GitHub 上，您可以自行测试其方法，看看是否会得出相同的结果。更强大的 AI 模型最终会降低这些成本。但与使用 API 相比，使用智能体来完成某项任务始终需要经历更多的步骤。

—— The Register