AI news

非十科技推出桌面智能体Agivar,从替代年薪300万的前沿部署工程师

By 机器之心1 viewsSource: 机器之心
非十科技推出桌面智能体Agivar,从替代年薪300万的前沿部署工程师

AI 正在学着操作电脑。由清华大学计算机系博士团队创立的非十科技,最近发布了一款桌面 Agent 产品 ———Agivar。与多数产品试图优化 Prompt 不同,它选择从另一个方向切入:让 AI 主动学习用户的工作流程。

The full text has not been translated yet. The Chinese original is shown below.

AI 正在学着操作电脑。

过去 AI 回答问题,现在它直接开始帮你干活。填表格、录系统、整理文件,Anthropic 的 Claude Cowork、OpenAI 的 Codex 桌面版 —— 越来越多的 Agent 开始接管真实工作流。

但当整个行业疯狂冲向桌面时,有一个问题被忽略了:AI 越来越会干活了,但普通人该怎么把自己的工作流程交给它?

目前主流 Agent 的逻辑是 “你写 Prompt → AI 执行”,听起来合理,现实中却屡屡碰壁。

打开内部系统、填表单、传附件、点提交…… 这些动作早已是员工的 “肌肉记忆”,可要用文字描述清楚,大多数人直接卡住。更别说跨系统跳转、条件分支,很多人连 Prompt 从哪儿写起都不知道。

如果人说不清流程,AI 还能学会吗?

有意思的是,为了解决这个难题,硅谷催出生了一个新职业 ——FDE(Forward Deployment Engineer,前沿部署工程师)。

文章配图

他们驻场在客户公司,工作就是把业务人员 “说不清” 的流程,翻译成 AI 能执行的任务。他们既要懂技术,又要熟悉真实的工作流。如今资深 FDE 的年薪中位数已高达 48.5 万美元。

FDE 的存在说明了一件事:让人学会教 AI,其实没有那么容易。

那如果能让 AI 自己学会理解业务流程,而不是靠年薪数十万美元的工程师来翻译,会怎样?

有人给出了答案。

不会写 Prompt?那就演示给 AI 看

由清华大学计算机系博士团队创立的非十科技,最近发布了一款桌面 Agent 产品 ———Agivar。

与多数产品试图优化 Prompt 不同,它选择从另一个方向切入:让 AI 主动学习用户的工作流程。

你可以把它理解成一个会操作电脑的 “AI 员工”。

Agivar 的核心能力叫做 “录屏教学”,使用方式非常简单:打开电脑录屏,像平时工作一样把流程操作一遍。录制结束后,剩下的事情交给 AI。

文章配图

听上去有点像早年的 “按键精灵”?但两者其实完全不同。

按键精灵记录的是坐标和动作—— 鼠标移动到 (300,500) 点击,机械重复;Agivar 学习的是任务和逻辑—— 它观察你工作的每一步,然后理解:为什么先打开这个页面?为什么填这个数字?什么情况下跳过这一步?

Agivar 学到的不是 “下一步点哪里”,而是你的工作方法。它理解的是流程背后的规则与判断逻辑,而不是单纯复现点击轨迹。即便界面改版、按钮移位,它依然能识别正确目标并执行。

你教会它一次,它就能把这套流程稳定、可追溯地执行下去。

录屏三分钟,换回每天两小时

文章配图

广东省某政务部门的工作人员,每天都要在内部系统处理大量表单。打开系统→选择业务类型→填写信息→上传附件→提交审批,每天同样的流程都要重复十几次。仅这一项工作,日常就要花掉一、两个小时。

这些系统没有 API、没有自动化接口,只能靠人工点击。于是他尝试使用 Agivar。录制了一次完整流程,不到三分钟,此后这套流程便实现了自动执行,不用再盯着屏幕逐步操作。

录屏三分钟,换回每天两小时。

这样的场景远非个例。政务系统、企业 ERP、CRM、财务软件、内部 OA、采购系统…… 大量重复、无 API、只能手工操作的流程,正是成千上万普通员工的日常。真正消耗时间的从来不是复杂工作,而是那些让人麻木的重复。

别的 Agent 还在思考,Agivar 已经做完了

如果你试用过一些桌面 Agent,可能会有一个直观感受:能干,但慢。

原因并不复杂。因为大多数产品是直接调用通用多模态大模型 “硬解” 桌面任务:截图→上传云端→推理→返回→执行,再截图→再推理……

对于桌面任务来说,这意味着大量与任务无关的能力也被带进了执行过程,每次点击都伴随五秒以上延迟。整个过程像一个刚学会电脑的新人。

而 Agivar 选择了另一条路线。

团队针对桌面任务场景训练了专用的执行模型,强化了桌面操作的能力。在此基础上,设计了 “大脑 + 小脑” 双层架构:

文章配图

  • 大模型(大脑):理解录屏内容、拆解任务目标、规划执行路径、处理异常。
  • 专用小模型(小脑):界面识别、鼠标点击、键盘输入、高频动作执行。

这与人类神经系统非常相似。当你开车时,不会每踩一次油门都重新思考交通规则。大脑负责路线规划,小脑负责具体动作。

支撑这套架构的,是团队基于清华大学自研深度学习框架Jittor(计图) 开发的推理引擎,针对高吞吐、低延迟场景的桌面任务场景,团队对模型调度和执行链路进行了专门优化,确保大小模型协同不等待。

速度差距直接体现在数据上:

文章配图

同一台电脑执行同一个后台信息录入的任务,某主流产品耗时 2 分 12 秒,Agivar 仅 57 秒,速度提升一倍以上。

单个任务差一分钟,差距或许不明显。但当任务变成 100 份报销单、300 条客户信息,或者一天的批量审批时,分钟级差距很快被放大成小时级成本。

比速度更难的,是确定性

速度固然重要,但企业是否能让 Agent 走进生产环境,关注的不是快,而是稳。

大模型是概率系统。第一次点 A,第二次可能点 B,第三次换个按钮 —— 这在写诗时是创意,在财务录入、合同归档里却是风险。

AI 能否进入生产环境,拼的从来不是上限,而是下限。

为了解决确定性,Agivar 做了三层设计:

文章配图

  1. 训练收敛。用海量桌面任务数据,强化 “界面状态→用户意图→执行动作” 之间的稳定映射,减少 “发散”。
  2. 多重校验。内部多个 Agent 交叉验证 —— 规划、执行、观察、复核,不同角色各司其职,每一步都有人问:“点对了吗?界面还在预期状态吗?”
  3. 规则约束。高频流程的关键操作节点、绝对不能出错的动作,直接写成程序控制的 “铁律”。执行核心步骤时,系统会优先遵循预设路径,不随意发挥。

最终目标只有一个:同一任务重复执行,走同样路径,得到同样结果。

毕竟,对于企业来说,生产环境不需要惊喜,只需要稳定。

全栈自研,清华团队的硬核底牌

Agivar 的模型训练到执行框架,全部由非十科技自研完成。团队的核心成员来自清华大学计算机系,同时也是清华自研的深度学习框架 Jittor(计图)的主要开发者。

Jittor 以其易用性和效率优势,早已成为国内主流深度学习框架之一,这意味着 Agivar 对底层推理调度的优化,并非建立在第三方能力之上,而是具备从框架层到模型层的完整掌控能力。

Agivar 并非团队的第一个 “爆款”,此前团队推出的AI 编程助手 Fitten Code,累计下载量超过 150 万,在多个主流插件平台评分第一。

同时拥有大模型自研能力、深度学习框架研发能力以及百万级产品落地经验,这样的组合,在国内外同类赛道中并不多见。

让每个人都拥有自己的 “AI FDE”

过去两年,AI 行业追逐的是更大、更强的模型。但时间走到今天,一个更现实的问题浮出水面:

AI 到底能不能真正进入普通人的工作流?

FDE 模式曾是答案,但高昂的成本让大多数人望而却步。

今天,Agivar 选择了一条更朴素、也更普惠的路径:把 “翻译” 和 “定义工作流” 的能力,交还给用户自己。不用痛苦地学 Prompt,不必改变习惯。一次录屏演示,就能训练属于自己的桌面 Agent。

目前,Agivar 已开启公测,支持 Windows 与 macOS。录一遍,让 AI 替你干活。

文章配图

下载地址请访问:https://agivar.fittentech.com

从某种意义上说,“录屏教学” 真正改变的并不是交互方式,而是人与 AI 之间的协作关系。

它让桌面 Agent 第一次有机会摆脱复杂配置和专业门槛,真正进入普通人的工作流。如果说过去的软件是在要求人适应系统,那么下一代的 Agent 正在反过来适应人。

而当每个人都拥有一个能够理解自己工作流程的 “AI FDE” 时,这场关于效率的变革,或许才刚刚开始。

文章来自于"机器之心",作者 "机器之心"。

Related topics

After reading

Join the AINRK community

Read how to join the community and connect with people working in AI.

Community information (opens in a new tab)