让 AI 像人一样"看屏幕、点鼠标"完成一个网页任务，账单贵 45 倍

让 AI 像人一样"看屏幕、点鼠标"完成一个网页任务，平均要花 45 倍的钱、30 倍的时间——和"老老实实调一个 API"的同款任务相比。

而且这个差距，不是模型再迭代两代就能抹平的。它是物理底盘差。

···

一个网页任务，两条路同时跑

任务很普通，普通到像每周给一个内部小后台做的运维：

在管理后台找到那个名叫 "Smith"、订单数最多的客户，定位他最近一笔待发货的订单，把他所有待审核的评价全部通过，然后把这单标记为已送达。

中间要筛选、要翻页、要跨表查、要既读又写。一个真人用后台 30 秒能干完。

让 AI 替你干，有两条路：

A 路（截屏点击派）：模型每一步先截一张图，看图，决定下一步点哪儿，发出鼠标动作，等页面变化，再截一张图……Anthropic 这两年主推的 Computer Use 就是这条路。

B 路（API 派）：把后台的功能挂成结构化工具，模型通过 JSON 把"筛选哪个字段、改哪条记录"写成一次工具调用，直接打到后端。

同一个模型（Claude Sonnet）、同一个任务，跑下来：

55 万 vs 1.2 万。这不是"贵了一些"——是数量级差。换算成钱，45 倍。换算成时间，30 倍。

01-token-cost-stack

···

为什么差这么多？因为眼睛比嘴巴贵

很多人第一反应是"等模型迭代呗，截屏 agent 现在贵以后会便宜"。

不会。

模型读一段 JSON 工具调用，是几十个 token——{"filter":"name=Smith","action":"approve_review"} 这种。模型读一张 1280×800 的网页截图，是几千个 token。差是 50 倍量级，每一步都是。

更要命的是滚雪球：

• 截屏派每走一步 → 截一张新图 → 几千 token 喂进去 → 模型决策 → 输出动作 → 等画面响应 → 再截一张
• 53 步意味着这个循环跑 53 次，每次的"输入"都比上一次更厚（要带历史画面做上下文）

API 派呢？8 个工具调用，每个几十 token，结束。

所以"贵 45 倍"不是 implementation 问题，是"用眼睛"和"用嘴巴"两种行为本身的成本就差一个量级。模型再聪明，眼睛要看的像素也不会变少。

一个必须先看才能动手的 agent，永远要为"看"这件事付钱——不管模型多好。

···

还有一个细节

实测下就会发现截屏 agent 第一次跑根本走不完，必须人工写一份 14 步详细 walkthrough 的 prompt 喂进去，它才能勉强完成任务。

什么意思？意思是所谓"通用、自主、像人一样用电脑"的 agent，在一个 900 个客户、600 个订单的小型管理后台里，没有保姆级 prompt 就走不到终点。

而 API 派那边，模型对着 8 个结构化工具，零额外指引，一次就跑通。

一个 agent 看得越"原始"（HTML、截图、自由文本），你越要花时间给它写脚手架；它看到的越结构化（API 返回的 JSON），你越能甩手。 结构化在帮 agent 省力，而不是给它戴镣铐。

给 AI 一张图让它看，听起来很 AGI；给 AI 一个 schema 让它填，听起来很无聊。后者是干活的，前者是表演的。

···

那 Computer Use 是不是没用？不是

Computer Use 有它该在的位置，只是被吹得错位了。

它真正适合的场景，只有一种：

那个目标系统就是没 API，而且短期内也不会有。

具体说就是这几类：

• 遗留系统：90 年代写的 Java Swing 桌面工具，公司里没人敢动它，但每天还得有人点；
• 强时变 UI：网页天天改版、改了 DOM 结构都不通知你，写爬虫维护成本比让 AI 看图还高；
• 合规不开放接口的内网工具：政府、银行、医院里那些只能浏览器登录、不让你拿 token 的系统；
• 人机混合流：有些步骤必须人扫脸或人按确认，agent 中间穿插一下。

这些场景里，Computer Use 是唯一选项——不是因为它好，是因为别的路被物理地堵死了。它真正的工程价值是"给没 API 的系统强行包一层 API"，而不是"成为 agent 的统一交互形态"。

为了"通用、统一、像人"这种概念去走截屏路径，是花钱买氛围。

02-agent-path-decision

···

决策原则：先看你目标系统有没有 API

评估任何 agent 落地方案，第一个问题不是"哪家模型最聪明"，是"目标系统有没有 API、有没有 MCP、能不能挂结构化工具"。

按这个顺序排一下成本：

• 直接 tool calling：最便宜，每步几十 token；
• 走 MCP / 结构化框架：稍贵，多了一层协议开销；
• Computer Use（截屏点击）：贵 OOM 量级，每步几千 token。

差的不是 2 倍 3 倍，是数量级。这意味着任何一个能从"截屏路"换到"API 路"的环节，省下的都不是优化、是免费的钱。

我自己的资讯管线，从第一天就是这个原则——能调 API 的（公众号、GitHub、HN、RSS、Reddit）一律走 API，绝不让模型读 HTML。倒不是有什么远见，是穷，自己付 token 钱，截屏跑一次的成本心疼。

但回头看，"穷"反而救了这件事。这个领域早期有钱乱烧的人，做出的东西大概率撑不到第二轮融资——因为他们的成本曲线是被 vision token 拖着走的，不是被业务量拖着走的。

···

takeaway

不管是供应商 demo、团队的某个新人、还是某个自媒体——你就问一句：

这个目标系统有 API 吗？有的话你为什么不走 API？

如果对方答不上来，或者开始解释"统一交互范式更优雅"，你心里就有数了。

45 倍不是暂时的，是永久的。 愿不愿意为"优雅"每月多付 45 倍的账单，是你的选择。但至少，账单的真实数字应该有人告诉你。