Caesr AI

O Caesr AI trabalha só com imagens de tela. O agente captura o que está na tela, um modelo decide a próxima ação e ele clica, digita ou navega como uma pessoa faria. Não há conexões com o código da aplicação, e é por isso que ele dá conta de apps que não expõem API alguma. Aí está todo o sentido: se uma pessoa consegue operar, o agente também. Sem precisar de API.

As tarefas são escritas em Markdown ou CSV, não em código. Qualquer um que conheça a aplicação consegue escrever uma, e elas ficam no seu repositório Git junto com todo o resto. Quando a interface muda, você edita uma frase em vez de depurar um gravador. É uma mudança grande. As ferramentas de teste tradicionais quebram com um pequeno ajuste de layout; aqui um ajuste custa uma linha.

O AgentOS coloca um sistema operacional à disposição do agente, com controle de teclado, mouse e tela em uma só camada. Ele roda na máquina que faz o trabalho, então o agente opera o dispositivo como uma pessoa. O mesmo motor cobre Windows, macOS e Linux, além de Android, navegadores e hardware de bancada, de modo que uma equipe não mantém uma pilha diferente para cada alvo.

O AskUI Desktop é onde o trabalho é escrito, observado e reproduzido. Você abre uma tarefa, roda contra um dispositivo conectado e revê cada passo que o agente deu, com uma imagem por passo e uma transcrição por execução. Para equipes que precisam de uma trilha de auditoria ou de um documento de passagem de bastão, esse registro é o motivo de usar. Acabou o chute. Depurar uma execução que falhou deixa de ser um palpite.

A CLI é o mesmo motor sem a janela. Rode askui run em um pipeline, de forma agendada ou numa máquina no canto, e receba o relatório como artefato de build. Ela não precisa de tela. Cada execução devolve um código de saída mais um relatório, então se encaixa no seu CI existente como qualquer outra verificação.

Você pode usar o Anthropic, um endpoint compatível com OpenAI ou um modelo auto-hospedado em qualquer plano. A inferência nunca toca a infraestrutura da AskUI, o que importa quando as imagens contêm dados sensíveis. No Enterprise, você pode implantar localmente ou em uma instalação em rede isolada e até evitar as tarifas de inferência usando o seu próprio modelo.

Segundo a AskUI, o agente de visão marcou 66,2 no benchmark OSWorld e chegou a 94,8% de tarefas concluídas no AndroidWorld, o que o coloca nos dois rankings públicos na época da publicação. Números de benchmark não dizem como ele vai lidar com o seu app específico, mas são um sinal útil ao comparar agentes que usam o computador, e estão publicados em vez de escondidos.