// 01 Mano-P 1.0 是什么
项目来源
Mano-P 1.0 是由明略科技（Mininglamp AI）主导开源的 GUI-VLA（图形界面视觉-语言-动作）智能体模型，并联合多所高校与研究团队共同完成。该项目以 Apache 2.0 协议发布，同时提供 GitHub 代码库与模型权重，面向开发者与研究者开放。
从背景来看，这类工作属于“计算机使用智能体（Computer Use Agent）”方向，核心目标是让 AI 能直接像人一样操作电脑界面，而不依赖传统 API 或自动化脚本接口。
它解决的问题
在传统自动化系统中（如 RPA 或网页脚本），AI 通常需要依赖 HTML 结构、接口协议或预定义规则，一旦界面变化或软件不开放 API，就会失效。
Mano-P 的目标是打破这种限制，让模型直接通过“看屏幕”的方式理解 GUI 界面，并执行点击、输入、切换窗口等操作，从而实现跨软件、跨系统的通用自动化能力。
它重点面向复杂桌面软件操作、跨应用流程自动化以及无需 API 的系统级任务执行场景。
核心能力
根据官方技术说明，Mano-P 是一个纯视觉驱动的 GUI-VLA 模型，具备完整的“感知—规划—执行—验证”闭环能力：
- 纯视觉 GUI 理解：通过屏幕像素直接识别界面元素，无需依赖 HTML 或接口
- 跨应用操作能力：支持桌面软件、网页应用及复杂工具链的统一操控
- 多模态模型结构：融合视觉输入与语言指令，输出具体操作动作
- 端侧部署能力：支持在 Apple M4 等设备上运行轻量量化版本
在公开评测中，该模型在 OSWorld 等 GUI Agent 基准任务上取得了领先成绩，并在多项多模态评测中达到 SOTA 水平，展示了较强的跨任务泛化能力。
如何使用
从开源结构来看，Mano-P 主要通过 GitHub 与模型仓库使用，整体流程偏工程与研究导向：
- 从 GitHub 拉取项目代码并配置运行环境
- 下载对应模型权重（72B 或 4B 量化版本）
- 准备输入任务（屏幕截图或GUI环境 + 自然语言指令）
- 运行推理流程，模型生成具体操作动作序列
同时该项目支持以 Skill 形式接入其他 Agent 框架，用作“GUI 执行引擎”，扩展现有 AI 系统的操作能力。
典型使用场景
- 跨软件办公自动化：在 Excel、邮件、ERP 等系统之间自动处理数据流
- 软件测试自动化：模拟真实用户点击与操作，完成 UI 测试流程
- 本地隐私任务处理：在本地环境执行敏感数据操作，避免上传云端
与同类方案的差异
相比传统 RPA 或基于 API 的自动化工具，Mano-P 最大差异在于“纯视觉驱动”。它不依赖 DOM、接口或脚本，而是像人类一样通过视觉理解界面。
相比云端 Agent，它还提供端侧部署能力，使数据可以完全在本地运行，适用于对隐私要求较高的场景。
价格与使用成本
Mano-P 以开源形式发布，本身不涉及商业定价。但实际使用成本主要来自算力需求，例如高参数模型需要 GPU 或 Apple M 系列高性能设备支持。
优势与局限
Mano-P 的优势在于具备较强的 GUI 通用操作能力，并首次在开源体系中较系统地实现了端侧 GUI-VLA 模型架构，使 AI 能直接操作复杂桌面环境。
但其局限也比较明显：部署门槛较高，依赖较强硬件环境，同时在稳定性与长任务可靠性方面仍更偏研究阶段，而非成熟产品。
整体来看，Mano-P 更适合用于 GUI Agent 与自动化方向的技术研究或工程探索，而不是普通用户直接使用的工具型产品。
