Lux 要是一个专门用于计算机操作的基础模型。和那些只会生成文字的 AI 不同，Lux 能看懂屏幕内容并理解自然语言描述的任务目标，然后实时操控计算机完成工作。

比如说你对电脑说"打开浏览器，访问 xxx"，然后它就真的执行了：鼠标移动、图标点击、网址输入、页面滚动，整个过程和真人操作没什么区别。

Lux 的技术实现

Lux 不依赖 API 接口所以能在任何应用中工作：浏览器、编辑器、邮件客户端、表格软件都行。它的核心技术是计算机视觉配合动作预测：

• 捕获屏幕截图
• 解析 UI 组件
• 预测下一步操作（点击、输入、滚动）
• 循环执行直到任务结束

在 300 个实际场景的测试中，Lux 的表现超过了 Google Gemini CUA、OpenAI Operator 和 Anthropic Claude。

工作机制

Lux 运行在一个持续的动作-观察循环里：

 目标 → 视觉分析 → 执行动作 → 获取反馈 → 循环

用户用自然语言下达指令，比如：“打开浏览器并打开 xxx”，然后Lux 会截取当前屏幕画面并根据截图内容判断下一步该做什么：

• 点击某个按钮
• 输入文字
• 移动光标
• 滚动页面
• 触发快捷键

然后执行相应的动作并捕获新的屏幕状态。

这个循环会一直跑下去直到任务完成，可以把它想象成一个坐在你电脑前干活的 AI 助手。

环境配置

在使用 Lux 之前需要完成安装和权限设置。

步骤 1：权限授予

Lux 需要的权限和普通自动化工具一样：屏幕录制权限和辅助功能权限。

执行命令：

 oagi agent permission

macOS 系统系统会弹出权限请求：

• 辅助功能
• 屏幕录制

在 系统设置 — 隐私与安全 里批准这些权限，完成后重启终端。

步骤 2：API 认证

打开 agiopen生成新的 API 密钥。新注册用户有 $10 免费额度，够跑几十次代理任务了。

配置环境变量

 export OAGI_API_KEY=sk-...  
 export OAGI_BASE_URL=https://api.agiopen.org

步骤 3：桌面环境准备

Lux 直接读取屏幕内容，所以工作区越干净UI 元素识别就越准确。

推荐配置如下

• 单个大窗口的浏览器
• 空白起始页
• 桌面整洁
• 背景简洁
  

不推荐的配置

• 窗口又小又乱
• 多个程序互相遮挡
• 复杂的桌面壁纸

环境混乱的话Lux 可能会重试操作或者点错位置。

步骤 4：第一次运行

 oagi agent run "Go to https://agiopen.org" --model "lux-actor-1"

你会看到鼠标自己动、键盘自己敲字，整个过程完全自动化。

实际案例

假设要让 Lux 完成这样一个任务：

启动浏览器，搜索 “OpenAGI Lux model documentation” 浏览搜索结果

命令是：

 oagi agent run "Open a browser, search for OpenAGI Lux model documentation, and scroll through the results." --model "lux-actor-1"

Lux 会依次：

1. 识别浏览器图标
2. 点击启动
3. 找到搜索框
4. 输入关键词
5. 按回车
6. 检测页面可滚动区域
7. 逐步向下翻页

全程靠视觉理解和动作预测完成。

总结

Lux 不只是个模型，它代表了一个方向：让计算机能直接响应人的意图，而不是通过一系列点击来间接表达。

如果你曾经希望电脑能"替你把事情做了"Lux 把这个想法变成了现实。

https://avoid.overfit.cn/post/084c91d2d2df493f8daa93b25268a6c8

作者：Civil Learning