导读：就在昨夜（12月9日），智谱AI毫无预警地抛出了一枚重磅炸弹——正式开源其核心AI Agent模型 AutoGLM。这不仅是国产大模型在“Computer Use”领域的有力回击，更让开发者们拥有了能够“看懂”屏幕、像人一样操作手机和网页的底层能力。

🚀 核心大事件：AutoGLM 开源意味着什么？

在Anthropic发布Claude 3.5 Computer Use引发全球热议后，国内的大模型厂商一直在暗中角力。而智谱AI选择了最硬核的方式——开源。

此次开源的 AutoGLM 模型，被业界视为全球首个具备 "Phone Use"（手机操作） 能力的开源AI Agent。这意味着：

• 打破封闭：此前类似“豆包手机”的演示多为闭源产品，而现在，任何开发者都可以在自己的设备上复现一个能点外卖、发微信的AI助手。
• 端侧革命：硬件厂商（手机、平板）和RPA开发者可以直接集成该能力，无需等待大厂API。
• 全能操作：不仅支持Web网页浏览，更核心的是对安卓原生App（Android App）的理解和操作。

💡 AutoGLM 的核心能力解析

AutoGLM 基于智谱最新的 GLM-4V 多模态大模型微调而来，它不只是“聊天”，而是“行动”。

1. Phone Use：手机操作专家

这是本次开源的最大亮点。AutoGLM 能够理解安卓手机屏幕上的UI元素（按钮、输入框、图标），并模拟人类的点击、滑动和输入。

• 跨应用协作：例如，它可以从微信接收指令，然后打开大众点评找餐厅，最后跳转到美团完成下单。
• 复杂长流程：官方数据显示，它能稳定完成长达数十步的复杂操作流程。
• 覆盖场景：目前已支持微信、淘宝、抖音、美团等超过 50个高频中文App 的核心场景。

2. Web Use：网页冲浪能手

除了手机，AutoGLM 在Web端的表现同样强悍。它采用了类似于Chrome插件的形态，能够解析DOM树和屏幕截图，完成信息检索、表单填写和后台管理任务。

🛠️ 技术探秘：它如何“看懂”屏幕？

为了满足技术读者的好奇心，我们简要剖析其Github仓库（THUDM/AutoGLM）透露的技术细节：

• 视觉-语言对齐：通过大量的UI截图和操作轨迹数据训练，模型学会了将“帮我点一杯拿铁”转化为“坐标(x,y)点击”的具体指令。
• CoT（思维链）决策：AutoGLM 在执行每一步操作前，会进行“观察-思考-行动”的循环，自我纠错能力显著提升。
• 轻量化部署：虽然基于大模型，但开源版本提供了不同尺寸的权重，适配从云端到端侧的不同算力需求。

💻 开发者指南：如何快速上手？

目前 AutoGLM 的代码和模型权重已托管至 GitHub 和 Hugging Face。

环境要求：

• Python 3.10+
• 支持 CUDA 的 GPU（推荐）

安装示例（伪代码预览）：

Bash

# 克隆仓库
git clone https://github.com/THUDM/AutoGLM.git
cd AutoGLM

# 安装依赖
pip install -r requirements.txt

# 启动 Web Agent 演示
python web_demo.py --model_path "THUDM/autoglm-4b"

注意：具体的运行参数请参照官方 README 文档，建议在虚拟环境中运行以避免依赖冲突。

📝 总结与展望

智谱 AutoGLM 的深夜开源，不仅是对 OpenAI 和 Anthropic 的一次技术亮剑，更是给了国产开发者一把打开“万物互联”大门的钥匙。当AI开始真正拥有了“手”和“眼”，我们的数字生活将被彻底重写。

下一步行动： 你想尝试部署 AutoGLM 吗？访问 GitHub 仓库一探究竟，或者在评论区告诉我们你最想用它来实现什么自动化操作！