Cua Driver 是什么:一段话说清

Cua Driver 是开源 computer-use 基础设施项目 Cua(GitHub star 约 2.8 万,2026-10 查询为 28,243)里负责「动手」的组件:给 Agent 检查与操作 macOS、Windows、Linux 原生桌面应用和浏览器的工具层。它经 CLI、MCP 或带类型的 SDK 三种方式接入,典型用途是把 Claude Code、Codex、Cursor 这类编码代理升级成能点界面、填表单的 computer use agent。官方的第一个教程就是让代理用计算器算 6×7,并验证应用真的显示 42——本篇按这个顺序走一遍。

Driver 解决什么问题:API 到不了的那段桌面软件

结论:编码代理的默认工具箱是 shell 和文件系统,遇到只有图形界面的桌面软件就停住了,Driver 补的就是这一段。计算器只是官方选的最小演示;真实的活更多在 LibreOffice、Inkscape 这类没有像样 API、只能靠界面操作的传统桌面软件里。这类活的共同特征是:界面看得见、点得到,但程序只能通过模拟真实输入来驱动——这正好落在 Driver 的能力范围之内。Cua 整个项目的六大组件构成,见 Cua 是什么。

三平台安装:两条命令原样复制

Driver 的官方安装脚本覆盖三大平台,macOS 与 Linux 共用一条 bash 命令,Windows 用 PowerShell。

macOS / Linux:

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

Windows(PowerShell):

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

两条命令均出自官方 README,脚本会引导完成平台侧的设置步骤。

接入 Agent:MCP 与 skill 两条通道

结论:装完 Driver 后,把 Claude Code、Codex、Cursor、OpenClaw 这类代理接上 Driver,官方走 MCP 与 skill 两条通道,且安装脚本会主动询问要装进哪些编码代理。README 的安装清单里列有 cua-driver MCP 与 skill,明确写着可装进 Claude Code、Codex、Cursor 等。

各代理的具体配置字段(MCP server 地址、skill 安装位置等)以官方 connect-your-agent 文档为准,不同代理版本的字段名可能有差异,动手前先对照。MCP 协议在 Claude Code 里怎么配,本站有一篇通用的 Claude Code MCP 配置指南可以参照。

第一个教程走查:从 6×7 到验证 42

官方第一个教程的目标很朴素:让代理用计算器算 6×7,并验证应用显示 42。别小看这个演示,它把 computer use agent 的完整链路走了一遍——理解指令、找到应用、操作界面、读回结果、交叉验证。按官方口径,全程覆盖三步:

  1. 平台设置:完成操作系统侧的准备工作,让 Driver 具备操控桌面的前提条件(具体项以官方教程页面为准)。
  2. 权限授予:macOS 会涉及辅助功能、屏幕截图类的系统权限,这是 macOS 桌面自动化的常规要求(具体清单以官方文档为准,见下文权限一节)。
  3. Agent 连接与执行:把代理接上 Driver,下达指令,代理操作计算器完成计算,再读回界面显示的 42 完成验证。

验证环节是整个演示里最有含金量的设计:代理不满足于「点了等号」,还要读回结果确认是 42——官方示范的是把「操作」与「验收」都交给代理。

background delivery:不抢指针不抢焦点的工作方式

结论:background delivery 是 Driver 区别于「截图加模拟点击」方案的关键机制——在应用与平台支持时,Agent 不移动你的指针、不抢焦点地干活。

这件事对「人机同机干活」为什么重要?传统 computer use 方案在工程上接近于独占机器:代理移动的就是你的鼠标,代理聚焦的就是你的窗口,人只能干等。background delivery 把输入通道与前台界面解耦,代理在后台向目标应用投递操作,你的指针和焦点保持在自己手里,两边可以同时干活。平台支持边界见官方 platform support 文档——并非所有应用都支持后台投递,这是使用前要核对的第一个限制。

CLI、MCP、SDK 三种接入方式怎么选

Driver 提供三条接入路径,官方口径一致:CLI、MCP、带类型的 SDK。下表的「适合谁」与「工程特点」两列是工程建议,供选型参考。

接入方式适合谁工程特点
CLI手动验证、调试、脚本串联命令行直接驱动,所见即所得,排查问题最直观
MCPClaude Code、Codex、Cursor 等编码代理安装脚本可代装,代理开箱即用
带类型的 SDK自研 Agent 程序类型检查前置,可嵌进业务代码

一个常见的组合是:先用 CLI 手动把流程调通,再经 MCP 交给日常编码代理复用,需要产品化时迁到 SDK。如果目标不是本机原生应用,而是一次性的隔离执行环境,那是 Cua 沙箱的领地,见 Cua SDK 实战。

能力边界与权限:动手前先核对三件事

第一,平台支持边界。background delivery 等能力依赖应用与平台的支持程度,官方维护了 platform support 文档,选型前先查目标应用是否在支持范围内。

第二,系统权限。macOS 的辅助功能、屏幕截图类权限是桌面自动化的常规要求,Driver 的教程会在平台设置环节引导授予;具体权限清单与授予路径以官方文档为准。

第三,代理侧配置。不同代理的 MCP 字段与 skill 装法不同,以官方 connect-your-agent 文档为准;跨代理迁移时重新跑一遍安装脚本是最省事的路径。

典型场景:两个示例看清能力形状

以下场景为示例,用来说明 Driver 的能力形状,非官方实测数据。示例一,表格填数:让代理打开表格软件,把一批数值填进指定单元格,再人工抽查——适合录入类、搬运类的重复界面操作。示例二,GUI 软件批处理:对一批文件执行同一种只有 GUI 入口的操作(导出、转换、打印设置等),代理逐个文件驱动界面完成。两个示例的共同前提是操作可枚举、结果可验证,这正好呼应官方教程里「算完还要验证 42」的设计。

常见问题

Q:computer use agent claude 怎么接?Claude Code 能用 Cua Driver 吗?

直接答:能。官方 connect-your-agent 文档提供 Claude Code 等代理的接入指南,Driver 以 MCP 与 skill 两种形式装进代理,安装脚本会询问要装进哪些编码代理。展开说:Claude Code 这类编码代理本来就以 MCP 为扩展机制,接上 cua-driver MCP 后,代理的工具箱里就多出一组操作原生应用与浏览器的工具;配置字段以官方文档为准,MCP 通用配置可参照本站的 Claude Code MCP 指南。

Q:AI 操作电脑安全吗?会不会乱点我的电脑?

直接答:Cua Driver 的设计取向是克制:background delivery 支持时不动你的指针、不抢你的焦点;系统权限由 macOS 权限体系把关;能力边界由官方 platform support 文档明确列出。展开说:工程上建议先在干净环境里跑官方计算器教程,确认行为符合预期再放进日常工作流;敏感应用是否交给代理,取决于它是否在平台支持范围内,以及你授予了哪些系统权限。

Q:claude code 操作电脑要额外付费吗?Driver 本身免费吗?

直接答:Driver 属于 Cua 的 MIT 部分(README Licensing 一节),软件免费;成本主要在模型侧的 token 消耗。展开说:Cua 除 Cua Spaces 外全部 MIT 开源,Driver 在清单里;用 Claude Code 操作电脑时,Claude Code 的订阅或 API 费用照常计算,Cua 侧不产生授权费。