别再只让 AI 点网页了：macos-harness 给大模型发了一套操控整台 Mac 的「原始手势」
这个项目能干嘛
说白了，macOS Harness 就是给大模型发了一套能直接操作整台 Mac 电脑的「原始手势」。它不是又一个只会帮你点网页的浏览器自动化工具，而是把一个 Python 进程直接连到了 macOS、你真实登录的浏览器和本地文件上。你的 Agent 想做什么，它就直接调用系统的底层能力去完成——截屏看界面、按快捷键、打字、点击坐标、读写文件、跑脚本，全都不在话下。最有意思的是，当遇到没有任何现成工具能处理的任务时，Agent 会在任务进行到一半的时候，自己用普通的 Python 代码把缺失的逻辑补上。没有框架、没有预制配方、没有轨道护栏，模型拿到的就是最原始的系统能力，剩下的由它自己写。
为什么最近火了
这个项目火起来，我觉得主要靠两点。一是它来自 browser-use 团队——做网页 Agent 起家，有大批关注电脑自动化的人盯着他们的新动作，一开源就被快速围观。二是它把「computer-use」这个概念重新讲了一遍：现在大家熟悉的电脑操控 Agent 大多只盯着一个浏览器，而 macOS Harness 直接把整台 Mac 交给模型，还刻意不提供任何 App 专用工具（没有专属的 Spotify 工具、Slack 工具、Final Cut 工具）。这种「只给原始原语、让模型自己拼」的极简思路，戳中了不少人觉得现有 Agent 太「被框死」的痛点，所以两周就冲到了四百多星。
技术亮点
整个 Harness 的核心，是六个原始原语（primitive）：see、key、type、click、ax、script。把它想像成你教 Agent 用 Mac 的六句基本口令。see 负责截图，靠 macOS 的窗口服务（CGWindow）抓取画面，而且能在不把后台 App 调到前台的情况下，悄悄截取它正在运行的窗口。key 和 type 通过系统事件（CGEvent）把键盘和文字直接送到某个 App 的进程 ID 上，不用真的去点那个窗口。click 则按坐标点击，还会画一个「能穿透点击」的动画指针，重点是它不会动你真实的鼠标光标。ax 在视觉不够用时，直接暴露苹果的无障碍（Accessibility）接口，能精准定位界面里的某个元素。script 则允许 Agent 直接发 AppleScript / Apple Events，比如让 Spotify 播放某首歌。
浏览器方面，它复用 browser-use 的 Browser Harness，通过 CDP 协议连上你真实登录的 Chrome，这意味着 Agent 能操作你已登录的账号、有状态的网页，而不是开个空白隐身窗口。同时 browser、Path、subprocess 这些 Python 标准能力就在同一个进程里随手可用。整个设计的关键词是「薄」：团队反复强调它不替模型做任何决策，只把最底层的系统能力摆出来，缺什么工具就由模型自己写 Python 补上。
隐私上也有讲究：harness 永远不会主动激活或抬升目标 App，也永远不会移动你物理的光标。它默认开着匿名遥测，但只记录命令行类别、成功与否、耗时、版本、系统架构和检测到的 Agent 客户端，绝不记录你的提示词、App 名称、截图、界面文字、脚本、路径或窗口标题。不想要可以一句 macos-harness telemetry disable 关掉。
适合什么人
这个项目最适合两类人。一类是想给自己的 Claude Code、Codex 之类编程 Agent「装上手脚」的开发者——你不需要再为每个 App 单独写集成，把 harness 注册成 skill，Agent 就能自己操控 Mac 完成真实任务。另一类是 macOS 自动化爱好者，以前要用一堆脚本和快捷键拼接的工作流，现在可以用自然语言让 Agent 直接编排。前提是你得用 Mac，而且愿意给终端一些辅助功能权限。
快速试用
官方推荐用 uv 安装（需要 Python 3.12）：uv tool install --python 3.12 macos-harness，然后运行 macos-harness skill 打印出要注册给 Agent 的技能说明，再跑 macos-harness doctor 检查还缺哪些 macOS 权限。也可以把那段安装提示直接贴进 Codex 或 Claude Code，让 Agent 自己装好、自检并验证连接。
与竞品对比
和 OpenAI Operator、Claude 的电脑操控能力比，最大的差别在「层级」。Operator 们主要在浏览器里打转，盯着网页表单和点按；macOS Harness 是操作系统级别的，能同时碰 App、浏览器和文件系统。和那些给每个软件都预制专用工具包的 Agent 框架比，它反其道而行——只给六个原始原语，逼模型自己组合。好处是灵活、不会被某个工具的能力边界卡住；代价是你得信任模型自己写代码补全逻辑。对想要「整台电脑自由」而不是「只会点点网页」的玩家来说，这个薄薄的 harness 反而更对胃口。