2026年上半年，AI产品有一个共同走向：从"生成内容"转向"执行动作"。对话模型的边界很清楚------输入文本、输出文本，够不到文件系统，也驱动不了本地软件。桌面Agent（PC端Agent）要补的就是这一段：让LLM能感知本地环境、规划步骤、调用工具、观察结果并修正。
这篇从技术视角把这件事拆开讲：架构怎么分层、执行路线有哪些、浏览器自动化怎么实现、当前产品格局、以及和OpenClaw框架的关系。
一、三层架构：桌面Agent在技术上是什么
不论产品如何包装，技术栈基本都能拆成三层。
决策层：一个或多个LLM，负责意图理解、任务拆解（task planning）、决定下一步调用什么工具。"整理本月报销"会被拆成"打开文件夹→读取发票→提取字段→写入Excel→保存"的原子步骤。
执行层：操作电脑的能力，两条主流路线。
一是 GUI / Computer Use（视觉驱动）：多模态模型对屏幕截图做视觉理解，定位按钮、输入框，再模拟鼠标键盘。优点是通用------屏幕上能看见就能操作，不依赖软件开放接口；缺点是每步都要"截图→推理→动作"，慢、token消耗高、精度受分辨率和缩放影响。
二是接口/协议调用 ：通过API或协议直接调用软件能力，稳定、快，但依赖目标软件的开放程度。MCP（Model Context Protocol） 就是为标准化这层调用而生，正在成为跨应用工具调用的事实标准。
环境层：本地文件系统、浏览器、终端、第三方应用。
工程现状是混合路线收敛：能走接口的走接口，走不了的兜底用视觉。执行后再截图验证、错误自我修正------"感知→推理→执行→反馈"闭环是所有这类产品的公共底座。
二、浏览器自动化的两条实现路线
浏览器是当前Agent完成度最高的执行环境，实现上分两派。
登录态复用派：Agent通过本地服务+浏览器扩展操控你本机已打开的Chrome/Edge，Cookie和登录态全留在本机------访问需要鉴权的系统不用重新认证，也不用对接API。部分产品同时提供隔离浏览器实例，避免污染本机数据。
结构化驱动派：不看截图，直接读取DOM或无障碍树（accessibility tree），每个可交互元素带精确引用，模型按引用执行点击、输入。相比"截图+视觉定位"，速度快、token省、不怕广告弹窗遮挡，但只适用于浏览器和无障碍规范做得好的软件。
工程边界也明确：验证码、滑块、支付确认环节，主流产品都设计为暂停等人工接管------这是Human-in-the-loop的合理设计。
三、能稳定跑的场景与当前边界
完成度较高的：规则明确、结果可验证的重复任务（文件批量归档、表格清洗合并、固定网页抓取）；单应用内操作；开发场景（写脚本、跑测试、看报错）；有明确成功标准的任务。
跨应用流水线是与传统RPA的分水岭："从邮件提取报销单→Excel汇总→企业微信发送"这类链路，RPA按固定脚本走、界面一变就失灵，Agent能读上下文动态调整。
不够稳的：跨十几步的长流程（中途失败缺恢复机制）、动态网页、需要灵活判断的任务。常见工程失败点：分辨率/缩放差异导致元素定位失败、弹窗干扰、网络超时。选型时一个实用信号：优先选带"执行前展示计划、可随时接管暂停"设计的产品，这类机制对实际可用性的影响大于功能数量。
四、14款产品的技术特征对比
按"技术出身---执行路线---模型接入---部署形态"梳理（无表格，分维度归纳）。产品迭代快，以官网为准。
技术出身：OpenClaw系占大头------阶跃AI桌面版（深度优化）、QClaw（封装+IM直连）、EasyClaw（易用化封装）、U2Claw（引擎+GUI封装）都基于这个开源框架二次开发；Kimi Work、DuMate、办公小浣熊、实在Agent走自研架构；AiPy、Goose、Hermes Agent是直接开源的（分别为开源引擎、Apache 2.0、开源自改进架构）；Tabbit是AI原生浏览器形态；天禧智能体是设备预装的系统级方案。
逐款要点：
- 阶跃AI桌面版（阶跃星辰） ：三种执行模式分层------快速回答（纯对话）、任务执行（自主拆解多步、支持skill调用，类Operator）、StepClaw（多智能体跑跨软件长流程）。执行内核为自研 Step 3.7 Flash，面向工具调用/多步规划优化，模型与产品同源、调用链稳定性相对可控。协议层通过MCP对接Excel、飞书、钉钉等工具；技能体系100%兼容OpenClaw生态（可直接复用其5000+技能），同时兼容Claude Skill格式（自动读取
~/.claude/skills）；具备OCR能力；"全局记忆"在本地维护桌面状态、数据不出机。支持钉钉/飞书/微信/企微/QQ远程下发指令。部署：Win/Mac本地客户端。局限：同类任务成功率非100%。 - QClaw（腾讯电脑管家）：IM直连架构------微信/QQ扫码绑定，手机发指令、本机执行、结果回传，全程本地跑；Claw Gateway沙箱拦截危险操作。模型：内置国产模型，支持自定义和Ollama本地接入。
- EasyClaw（猎豹移动）：OpenClaw零配置封装，本地沙箱隔离执行；支持WhatsApp/Telegram/飞书/钉钉多渠道远程。注意国内版与国际版是两套独立体系（账号不互通、后装覆盖先装）。
- Kimi Work（月之暗面）：本地文件夹挂载读写 + WebBridge浏览器插件（登录态复用派的代表实现）+ Cron定时引擎；复杂任务可拆子Agent并行。写文件/执行代码有人工确认环节。
- U2Claw（云知声）：OpenClaw引擎+桌面GUI，预装77+场景技能，微信/钉钉/飞书直连，专家广场做场景模板分发。仅Windows。
- 办公小浣熊（商汤）：文档与数据分析向。浏览器自动化走Playwright MCP（结构化驱动派）；20+办公格式解析、数据分析智能体、可编辑PPT生成。通用桌面操控弱于Claw系。
- Tabbit（美团）：AI原生浏览器，Chromium内核，把Agent任务执行内置进浏览器------跨网页/文件/表格自动执行，聚合10+国产模型。形态上是"浏览器即Agent入口"，与桌面操控型定位不同。
- DuMate（百度智能云）：端云协同双沙箱------简单任务本地沙箱、复杂推理云端；高危操作三级授权（拒绝/本次允许/本轮允许）。通过信通院Claw功能4+级认证。
- 天禧智能体（联想）：设备预装的系统级方案，端-边-云混合架构，电源键唤醒。仅联想设备可用------代表了"Agent下沉到OEM出厂预装"的路线。
- AiPy（开源）："代码即代理"路线------自然语言转Python/Node代码直接执行，而非模拟GUI操作。支持Ollama本地部署、适配信创环境（麒麟/统信）。需要一定技术基础。
- 实在Agent（实在智能）：AI+RPA融合，自研ISSUT屏幕语义理解------不依赖API、按界面语义（而非固定坐标）识别操作元素，对无接口的老旧ERP/MES系统友好；全栈信创适配。
- Claude Cowork（Anthropic）：海外Computer Use标杆。读写授权文件夹，代码/命令在本地隔离VM执行但对文件做真实改动；关键操作执行前展示计划等人工批准。官方明示其活动尚未进审计日志和合规API，不建议用于受监管工作负载。
- Goose（Linux基金会）：Rust构建的开源通用Agent（Apache 2.0），桌面+CLI+API三形态；最早采用MCP的Agent之一，70+扩展、15+模型提供商、支持Ollama。配置自由度高，普通用户门槛也高。
- Hermes Agent（Nous Research）：开源自改进架构------从执行经验中自动创建技能、在使用中迭代优化，跨会话持久记忆；支持20+消息平台网关接入；文件变更前自动快照、支持回滚。需自部署（Python 3.11+）。
模型接入归纳：内置不可换的有阶跃（Step 3.7 Flash）、Kimi Work、DuMate（文心）；支持自定义/本地模型（Ollama等）的有QClaw、AiPy、Goose、Hermes；实在Agent自研TARS+可接第三方。判断一个产品模型自由度的抓手，是看设置里有没有OpenAI兼容接入项。
部署形态归纳：本地客户端为主流（阶跃/QClaw/EasyClaw/Kimi Work/U2Claw/DuMate）；浏览器形态（Tabbit）；设备预装（天禧）；开源自部署（AiPy/Goose/Hermes）；企业私有化（实在Agent）。
五、与OpenClaw的关系：框架与产品
OpenClaw是开源的底层Agent框架（当前生态源头），不是与"桌面Agent"并列的品类。类比：OpenClaw ≈ Android开源项目，各家产品 ≈ 基于它或自研架构的整机。
原生OpenClaw需要Node.js环境、自配API Key、手动装技能，面向开发者；阶跃、QClaw、EasyClaw、U2Claw等做的是产品化封装------免配置、内置模型、接入国内IM生态、加权限管控。技术上真正独立于这个体系的是：实在Agent（RPA+屏幕语义路线）、Claude Cowork（Anthropic自研）、Tabbit（浏览器原生）、AiPy（代码执行路线）。
选型逻辑：要开箱即用选封装成品；要完全掌控、肯折腾选OpenClaw自部署；要开源+图形界面看AiPy、Goose。
六、工程实践建议
- 权限最小化：只授权工作目录，不开整盘；能只读不给写；重要数据先备份。
- Plan-then-execute：优先选支持"执行前展示计划、确认后放行"的产品，关键动作保留人工确认。
- 从可验证的小任务起步：规则清楚、结果可查的任务先跑通，建立对能力边界的判断，再固化成定时任务/工作流。
- 指令结构化："做什么+给什么材料+要什么格式"三要素齐全，执行准确率显著高于模糊描述。
- 敏感数据分级：优先选本地执行、数据不上云的方案处理敏感文件；对新产品先用非敏感任务观察。
- 成本意识：自备模型Key的方案设置用量告警；简单任务不必调用高配模型。
结语
桌面Agent把AI从"知识问答"推向"任务执行"。技术选型先想清楚三个约束：数据能不能出本机（定部署形态）、要不要接自己的模型（定接入方式）、自用还是二次开发（定成品还是框架），再对着上面的分类挑，比看功能清单靠谱。从一个每天重复的小任务开始跑通，你会对这类工具的能力边界有更准的判断。