// 01 ComAct 是什么
快速结论
ComAct（KnowledgeXLab，通讯作者 Licheng Wen）是一套开源的计算机使用 Agent 框架，核心是提出"COM-as-Action"范式——不靠"看屏幕、点鼠标"的视觉控制，而是把专业软件操作当成可确定执行的程序合成来做，用组件对象模型（COM）作为统一的可执行抽象。它在 ComCADBench 上达到 SOTA，尤其在基线会"崩溃"的长程任务上更稳。开源了代码、模型 ComActor-9B、基准 ComCADBench 与数据集（截至 2026-07）。
适合谁优先使用
- 研究计算机使用 / GUI Agent、想要更可靠范式的研究者
- 做 CAD 等专业软件自动化、多步工程流程的团队
- 受够了"截图+点坐标"式 Agent 不稳、想试程序合成路线的工程师
- 需要可复现、长程稳定的软件操作 Agent 的场景
核心能力拆解
COM-as-Action 范式
把软件交互从"视觉控制"改成"确定性程序合成"，用 COM 作为统一可执行抽象，让操作可确定、可复现，而非靠模型猜坐标。
长程任务稳
官方称在 ComCADBench 上 SOTA，且在长程任务上具强韧性——基线会崩的地方它还能撑住。
自我纠错
具备错误诊断与重写能力，能在出错时自我修正。
完整开源栈
含数据构造流水线、三阶段渐进训练（文本到代码 SFT → agentic SFT → 带几何奖励的 GRPO）、ComForge 基础设施（支持 1000+ 并行 Windows 环境），模型 ComActor-9B、基准与数据集均开源。
和同类工具怎么选
| 需求 | 优先考虑 | 判断标准 |
|---|---|---|
| 专业软件(CAD)自动化、要长程稳 | ComAct | 程序合成范式、可确定、开源 |
| 通用网页/GUI 视觉 Agent | 视觉类 computer-use Agent | 面向任意界面、截图点选 |
| 只做浏览器自动化 | 浏览器 Agent 框架 | 只需网页、不碰桌面软件 |
限制与避坑
- 面向研究/工程，需要相应环境（Windows + COM）与工程能力，非开箱即用产品。
- 其优势场景是"有 COM 抽象的专业软件"（如 CAD），泛化到任意软件的边界需实测。
- 具体许可、复现代价以 GitHub/HF 仓库当前说明为准（待核实）。
NavXD 使用建议
如果你在做 CAD 或专业桌面软件的自动化、又被"视觉点选式 Agent"的不稳定折磨过，ComAct 的"把操作变成可执行代码"这条路值得认真评估——先跑它的 ComCADBench 看长程稳定性。只做网页自动化的，用不上它。
常见问题
- ComAct 免费吗？开源项目，代码/模型/数据集公开（许可以仓库为准）。
- 它和"截图点鼠标"的 Agent 有啥不同？它把操作变成确定性程序（COM），不靠视觉猜坐标，更稳更可复现。
- 主要用在哪？专业软件操作，尤其 CAD 类多步工程任务。
// 02 核心 功能
- 核心定位KnowledgeXLab 开源计算机 Agent：把 CAD 等专业软件操作变成可执行代码(COM-as-Action)，含 ComActor-9B。
- 分类索引当前归档在 AI Agent / 智能体，方便和同频工具横向比较。
- 能力标签关联标签包括 开源、CAD、程序合成、计算机使用Agent、软件操作。
- 使用入口已记录可访问入口，可通过本页主按钮跳转。
// 03 使用 场景
- 快速判断是否适合当前任务结合 AI Agent / 智能体 定位和 开源、CAD、程序合成 标签，先判断它是否匹配你的工作流。
- 横向比较同类工具从相同分类和标签继续探索替代工具，减少只看单个产品带来的选择偏差。
- 沉淀工具选型资料把官网入口、平台、版本和 NavXD 标签合并成一页，适合做选型记录或团队分享。
// 04 常见 问题
ComAct 是什么？
KnowledgeXLab 开源计算机 Agent：把 CAD 等专业软件操作变成可执行代码(COM-as-Action)，含 ComActor-9B。
ComAct 适合哪些场景？
可优先参考它所属的 AI Agent / 智能体 分类，以及 开源、CAD、程序合成、计算机使用Agent、软件操作 等标签。
ComAct 是否提供可用入口？
本页已记录官网或下载入口，可通过顶部主按钮访问。
ComAct 支持哪些平台？
当前记录为网页工具，通常可通过浏览器访问。
