Cradle：颠覆AI Agent 操作本地软件，AI驱动的通用计算机控制框架，如何让基础模型像人一样操作你的电脑？

嗨，我是小华同学，专注解锁高效工作与前沿AI工具！每日精选开源技术、实战技巧，助你省时50%、领先他人一步。👉免费订阅，与10万+技术人共享升级秘籍！

Cradle 是由 BAAI‑Agents 团队开源的一款面向 通用计算机控制（GCC） 的多模态 AI Agent 框架，可以让大型多模态模型，通过截图输入和键鼠输出，像人一样使用各种软件和游戏。

• 通用目标：支持任意本地软件（如游戏、Office、图像/视频编辑工具）
• 多模态输入：以截图为输入，支持键盘鼠标操作输出
• 自主能力：内置“认知反思+技能更新”模块，能不断自我优化
• 模块化设计：兼顾高可控性和扩展性，轻松适配新环境

痛点场景

自 GPT 系列大师诞生后，LLM 迎来爆发式成长。但它们依赖“API 文本输入输出”，迟迟无法控制本地界面，本地任务自动化仍然困难：

• 操作 Office、可视化软件受限
• 拆分复杂任务，难以形成闭环
• 缺乏视觉能力，仅凭语言无法定位 UI 元素
• 无法长时间记忆历史，执行多步逻辑不足

Cradle 正是为解决这些痛点设计的：

• 可控制鼠标、键盘，模拟人类操作
• 强化“自我反思”“技能优化”策略
• 支持长程任务、复合游戏环境、专业软件操作

核心功能解析

下面盘点 Cradle 的 6 大核心模块功能：

1. 信息收集（Information Gathering）
   • 利用视觉模型处理 UI 截图、文字信息
   • 可接入音频反馈，完成联觉输入
2. 自我反思（Self‑Reflection）
   • 回顾历史操作成果，判断是否达成
   • 总结失败原因，为下一步运行提供指导
3. 任务推断（Task Inference）
   • 基于环境+历史记忆，推断当前目标
   • 动态规划接下来最优策略
4. 技能策划（Skill Curation）
   • 每个任务生成或更新技能函数
   • 按环境定制化策略，实现经验积累
5. 动作规划（Action Planning）
   • LLM 输出高层操作（如“点击 X”“移动鼠标到 Y”）
   • 人写桥接层翻译为键鼠动作
6. 记忆模块（Memory）
   • 分为短期与长期记忆，含历史记录
   • 支持跨任务复用记忆与技能

这些模块构成一套闭环：输入截图 → 所见 → 自省 → 规划 → 执行 → 记忆反馈。

实验证明，Cradle 可完成：

• AAA 游戏：Red Dead Redemption 2 主线任务、高成功率完成；
• 市政游戏：Cities: Skylines 打造千人城市；
• 农场游戏：Stardew Valley 自动播种收获；
• 经营游戏：Dealer’s Life 2 实现 87% 最高周盈利；
• 办公软件：登录 Chrome、回复 Outlook、使用 Feishu；
• 编辑工具：美图秀秀、CapCut 图像/视频处理。

技术架构解析

技术优势一览表

界面示意图展示

应用场景：Cradle 可为谁赋能？

• R&D AI Agent 能自主模拟用户操作，替代 UI API 测试
• 自动化办公： 大量重复任务（邮件、表格、报表）可彻底自动化
• 游戏 AI 研发： 成为游戏内智能体，测试任务/训练 NPC
• 流程自动化：提供 UI 自动流水线，少依赖传统 RPA
• 教育培训： Cradle 可演示操作方法，辅助学员理解复杂软件

与同类项目对比：谁更强？

优势结论：Cradle 领先于传统或网页自动化工具，是多模态、具备认知能力的“通用软件执行体”。

文章小结

• Cradle 是首个通用软件控制 AI Agent，支持各种本地软件和 AAA 游戏操作
• 核心为 6 大模块，具备自思考、自学习、自适应能力
• 技术架构模块化、可维护性强
• 相比传统工具，Cradle 拥有视频级体验、全局闭环智能
• 适用研发自动化、办公、游戏研发与教学等场景

项目地址

https://github.com/baai-agents/cradle