实现自然语言与操作系统的高效交互并非一件易事。在当前的技术背景下，尽管基于多模态大型语言模型的智能体（Agent）在浏览器、游戏及软件开发等领域表现卓越，但由于不同应用之间操作方式多样，导致智能体的通用性受到限制。以往的UI交互智能体多依赖静态环境， ...