Vercel Labs 发布 agent-desktop 1.0，编码智能体获得桌面浏览器双工具

2026 年 11 月 1 日——Vercel Labs 于 10 月 28 日发布桌面自动化工具 agent-desktop 的 1.0 正式版，10 月 30 日更新至 v1.0.2，仓库同期由独立开发者 lahfir 转入 Vercel Labs 组织。该工具与其今年 1 月上线的浏览器自动化命令行工具 agent-browser 组成一对开源工具：一个面向桌面、一个面向浏览器，任何编码智能体都能通过命令行或 Agent 技能调用，可在 macOS、Windows 与 Linux 后台运行且不干扰用户继续使用电脑。

两个工具的分工

agent-browser 与 agent-desktop 均为 Rust 编写的命令行工具，以 Apache-2.0 许可证开源，共用文档站点 agent-browser.dev，桌面版文档位于 agent-browser.dev/desktop。两个工具把编码智能体的操作范围从代码仓库扩展到整台电脑：网页任务交给 agent-browser，桌面应用操作交给 agent-desktop。

agent-desktop 的工作机制

官方文档显示，agent-desktop 通过操作系统无障碍树读取应用界面（macOS 走 AX、Windows 走 UIA、Linux 走 AT-SPI），为每个可操作元素分配一个引用（ref）。智能体按「快照—操作—再快照」的循环工作：先对目标应用生成结构化快照，再对引用执行点击、输入、滚动等动作，最后重新快照验证结果，全程不依赖像素坐标猜测；界面变化时会返回 STALE_REF 等结构化错误并要求重新快照。

工具共提供 60 个命令名（其中 56 个可直接执行），覆盖观察、引用操作、键鼠输入、窗口管理、通知、剪贴板等分组，另提供 C 库 FFI 供程序内调用。Windows 支持于 10 月 18 日随 v0.10.0 落地，覆盖 Windows 10 1809+ 与 Windows Server 2019+ 的 x64 和 ARM64 架构。

后台运行，不干扰用户

agent-desktop 默认以 headless 策略执行：引用操作全部通过无障碍 API 完成，不移动鼠标指针、不抢占前台焦点；需要真实物理输入时必须显式传入全局 --headed 参数。接入方式面向各类编码智能体：一条 npx skills add 命令即可把技能装入 Agent 目录，或在 AGENTS.md 中加一段固定说明，agent-browser 侧同样提供 skills.sh 技能与 stdio 模式的 MCP 服务器。

多智能体并行与独立光标

官方概念文档显示，执行 session start --cursor --multi-agent 后，系统为每个「会话-智能体」组合分配一个独立光标（macOS、Windows 与 Linux X11），由调用方为每个子智能体指定稳定的 --agent-id 或 AGENT_DESKTOP_AGENT_ID 环境变量。多个智能体的光标可以同时在屏幕上移动，而真实键鼠输入通过机器级「交互租约」依次执行，即光标并行展示、动作排队落地。

口径说明：据 agent-desktop 概念文档，该光标仅是演示层，不替代系统指针、不改变动作的实际投递语义；Linux 平台光标渲染目前仅支持 X11，Wayland 会话下截图走门户接口、部分窗口管理能力受限。文中日期均按 GitHub 发布记录（UTC），星标与下载数为 2026 年 11 月 1 日或标注区间的实测值。

数据与时间线