浅析AutoGLM

GCC 进化史

API 层面调用 > RPA 固定工作流 > 视觉模型推理

API 层面：基本不可能哈哈，能做也是像支小宝这种，大厂直接入场。第三方开发者指望微信、支付宝等软件开放 API 基本不现实。当然也有部分开放的 API, 大概能实现的场景和 OpenAI 之前演示的差不多，是有很大局限的。

RPA 固定流程：类似影刀等。内部小 team 也一直在研究 RPA 的流程（Sonic 云真机）针对小红书等大流量平台，做起号、截留评论等。RPA 确实稳定，但是不灵活，兼容性较差。

视觉模型推理：荣耀手机、智谱的 AutoGLM，我理解是 AI 对 RPA 的升级版。通过手机系统级别的 无障碍服务（AccessibilityService） 和 OCR 提供视觉推理与操作。

以下为 AIPM 技能树文档整理有关 GCC 的截图：

我认为的 GCC = LLM 分析 LUI 输入形成拟人化流程（大脑） + 界面内容识别模型（眼） + 多 Agent 判别（Tools 调用）+ 最终操作程序（手）

画个简图↓

借着 AutoGLM 这个产品逐步分析一下

LUI 作为输入端，目前来看无论 computer use 还是 phone use 基本上都是文本+语音的模式了，这个没什么可聊的。

其实这部分接收三种类型的输入：

我理解这部分的模型不只是大语言模型，也包括了一系列类似 MOE 的专家模型，针对不同的 APP 内容做专属的微调。

这也是目前只支持这 8 个 APP 的部分原因。

这一部分决定了会在这 8 个 APP 中启用哪个 agent，一个 agent 代表一个 APP，目前只支持单个 agent 的操作，但是后续绝对会支持跨 APP 的 muilt-agent。

每一个 agent 中又包含了 tools 的使用，例如留言、查找等。

大脑作为统一中枢，根据决策去调用和共享信息。

同时决策也会根据大脑的工作流，一步步的引导操作和视觉识别。

巧的是在 AutoGLM 推出不久，微软就开源了 OmniParser 作为界面内容识别的能力。这一块才是最重点的内容，真正做到非标准流程的标准！

这块最简单 ui automator 等类似的软件都实现过，不过目前是结合界面内容识别来实现点击、拖拽等操作。