我们当这个“监工”，代价是巨大的。 首先，效率极低。AI为了“表演”给我们看，它消耗的Token（计算资源）根本不是用来“思考”，而是用来“理解GUI”和“描述操作”。它本可以一秒钟调用API完成任务，现在非得花三十秒来识别页面上的内容，再模拟人类 ...

它不依赖API，而是通过计算机视觉（CV ...