Hermes Agent 电脑操控使用教程

想让 Agent 帮你操作电脑，又怕它抢走鼠标键盘、干扰手头工作？Hermes Agent 电脑操控（Computer Use）正是为此而生——一项后台桌面自动化能力，可在不干扰用户当前操作的前提下，实现 Mac 桌面的点击、输入、滚动、拖拽等操作，让 Agent 与你协同工作。本文从核心原理、安装配置、基础用法、安全机制到性能优化，带你全面掌握电脑操控功能。

一、核心能力与工作原理

1.1 核心价值

• ✅ 后台无感操作：Agent 操作时，你的光标、焦点、桌面空间均不变化，不影响正常办公。

• ✅ 全模型兼容：支持 Claude、GPT、Gemini 及本地开源模型，无需特定架构。

• ✅ 桌面全控制：可操作任意应用（邮件、浏览器、文档），覆盖点击、输入、滚动、拖拽。

• ✅ 安全可控：多层防护机制，危险操作需人工确认。

1.2 工作原理

电脑操控依赖 cua-driver 开源驱动，通过 macOS 私有 SPI 实现后台事件注入：

1. 直接向目标进程发送合成事件，无需模拟光标 / 焦点。

2. 后台激活窗口，不切换桌面空间。

3. 维持应用无障碍树，确保元素可被识别。

4. Hermes 通过 MCP 协议与驱动通信，转发操作指令。

图1：Computer Use 架构图

二、安装与权限配置

2.1 启用电脑操控

1. 运行工具配置命令：

hermes tools

2. 选择 🖱️ Computer Use (macOS) → cua-driver（后台）。

3. 自动执行安装脚本，部署驱动。

2.2 授予系统权限

安装后需开启两项关键权限：

1. 辅助功能权限：系统设置 → 隐私与安全性 → 辅助功能，允许终端 / Hermes。

2. 屏幕录制权限：系统设置 → 隐私与安全性 → 屏幕录制，允许终端 / Hermes。

2.3 启用工具集

临时启用

hermes -t computer_use chat

永久启用

编辑配置文件 ~/.hermes/config.yaml：

toolsets:
  - computer_use

三、基础操作与快速示例

3.1 核心操作指令

1. 捕获屏幕（capture）

获取屏幕截图并标注元素编号（SOM 模式）：

computer_use(action="capture", mode="som", app="Mail")

2. 点击元素（click）

通过元素编号点击按钮 / 链接：

computer_use(action="click", element=14)

3. 输入文本（type）

向输入框填写内容：

computer_use(action="type", text="from:stripe")

4. 按键操作（key）

执行回车、ESC 等按键：

computer_use(action="key", keys="return", capture_after=True)

3.2 实战示例：查找邮件

目标：查找 Stripe 最新邮件并总结。

1. 捕获邮件应用屏幕，获取元素编号。

2. 点击搜索框，输入发件人过滤条件。

3. 回车提交，重新捕获结果。

4. 点击首封邮件，读取内容并总结。

用户指令：

Find my latest email from Stripe and summarise what they want me to do.

四、模型兼容与视觉支持

4.1 支持模型

• ✅ Claude（Sonnet/Opus）：最佳体验，支持 SOM+ 坐标。

• ✅ OpenAI（GPT-4/GPT-5）：全功能支持。

• ✅ OpenRouter：兼容任意视觉模型。

• ✅ 本地模型（vLLM/LM Studio）：需支持多部分内容。

• ✅ 纯文本模型：降级为无障碍树模式（mode="ax"）。

4.2 截图传输

截图以图片形式嵌入工具结果，适配各模型格式：

• OpenAI：image_url 格式。

• Anthropic：原生图片块。

五、安全防护机制

5.1 操作审批

危险操作（点击、输入、拖拽）需人工确认：

• CLI：弹出确认对话框。

• 消息平台：点击审批按钮。

5.2 危险拦截

1. 屏蔽按键

禁止清空回收站、锁屏、注销等操作。

2. 屏蔽文本

拦截 curl | bash、sudo rm -rf 等危险命令。

3. 行为限制

• 禁止点击权限弹窗。

• 禁止输入密码。

• 禁止跟随截图内指令。

5.3 安全级别配置

security:
  approval_level: always  # 所有操作需确认

六、性能优化

6.1 截图优化

四层优化降低 Token 消耗：

1. 截图淘汰：仅保留最近 3 张截图。

2. 客户端压缩：清理旧图片数据。

3. Token 估算：图片按 1500 Token 计费。

4. 服务端清理：Anthropic 自动清理旧结果。

6.2 典型开销

20 步操作约消耗 30K Token（非 600K）。

七、限制与注意事项

7.1 平台限制

仅支持 macOS，依赖 Apple 私有 SPI。

7.2 版本风险

macOS 更新可能导致 SPI 变更，建议锁定驱动版本：

HERMES_CUA_DRIVER_VERSION=0.5.0

7.3 性能说明

后台模式比前台慢 5-20ms，不影响常规操作。

7.4 密码限制

禁止输入密码，建议使用系统自动填充。

八、常见问题排查

1. 驱动未安装：重新运行 hermes tools 启用电脑操控。

2. 点击无效：重新捕获屏幕，元素编号可能过期。

3. 危险拦截：拆分危险命令或调整安全级别。

4. 权限缺失：重新开启辅助功能 / 屏幕录制权限。

总结

Hermes Agent 电脑操控是 macOS 专属的后台桌面自动化利器，通过私有 SPI 实现无感操作，兼容主流大模型，兼顾安全与效率。无论是邮件处理、浏览器操作还是文档编辑，均可通过自然语言指令实现自动化，大幅提升办公效率。需注意平台限制与安全规范，合理配置权限与模型，即可高效协同办公。