معرفی پروژه cua: زیرساخت متن‌باز مقیاس‌پذیری Computer-Use 2.0 برای اجرای ایجنت‌های کنترلی سیستم‌عامل

فناوری Computer-Use (کنترل مستقیم موس، کیبورد و دسکتاپ توسط مدل‌های هوش مصنوعی) جذاب‌ترین شاخه تعامل انسان و ماشین است، اما اجرای این مدل‌ها در محیط‌های ایزوله، ایمن و مقیاس‌پذیر همواره دغدغه اصلی شرکت‌ها بوده است. پروژه متن‌باز cua با کسب بیش از ۲۵ هزار ستاره در گیت‌هاب، بستری یکپارچه برای اجرای بنچ‌مارک، درایورهای کراس‌پلتفرم و مزارع مجازی ایجنت‌ها فراهم کرده است.

قابلیت Computer-Use 2.0 چیست؟

در نسل اول، مدل‌ها اسکرین‌شات دسکتاپ را دریافت می‌کردند و با تاخیر چند ثانیه‌ای مختصات کلیک را می‌فرستادند که نرخ خطای بالایی در نرم‌افزارهای پیچیده داشت. پروژه cua رویکرد Computer-Use 2.0 را معرفی می‌کند که شامل:

• درایورهای سطح هسته (Kernel-Level Drivers) برای کاهش تاخیر استریم تصویر تا زیر ۵۰ میلی‌ثانیه.
• شناسایی عناصر معنایی رابط کاربری بدون اتکای صرف بر بینایی بصری (Accessibility Tree Integration).
• امکان اجرای همزمان صدها ماشین مجازی در لینوکس، ویندوز و مک برای تست، آموزش تقویتی (RL) و جمع‌آوری داده.

معماری زیرساختی پروژه cua

پروژه cua از معماری میکروسرویس ابری بهره می‌برد که شامل کلاینت‌های سبک پایتونی و ران‌تایم‌های امن کانتینری (QEMU/KVM و داکر) است. این ساختار تضمین می‌کند که اگر ایجنت هوش مصنوعی دست به اقدامی خطرناک یا غیرمنتظره زد، سیستم اصلی میزبان کاملاً ایزوله بماند و ماشین مجازی در کسری از ثانیه ریست شود.

نمونه کد اجرای ایجنت با پایتون

نصب SDK پایتون:

pip install cua-core anthropic

اسکریپت اجرای وظیفه خودکار در محیط شبیه‌سازی‌شده دسکتاپ:

import cua
from anthropic import Anthropic

# راه‌اندازی سشن ایزوله دسکتاپ
env = cua.make("desktop-linux-v2", headless=True)
obs = env.reset()

print("[*] رزولوشن دسکتاپ مجازی:", obs.screen_size)

# ارسال فرمان کلیک و اسکرول به درایور سریع cua
action = {
    "type": "click_coordinate",
    "x": 450,
    "y": 320,
    "button": "left"
}
next_obs, reward, done, info = env.step(action)
print("[*] تاخیر پاسخگویی فریم:", info.latency_ms, "میلی‌ثانیه")
env.close()

مشخصات پروژه در گیت‌هاب