Intelligence Indeed 在 2026 年 8 月表示，其電腦操作產品在公告中稱為 Z-Agent、其他報道則稱為 InAgent，於 OSWorld 取得 90.2% 任務成功率，成為首個報稱突破 90% 的參與系統；公司亦稱它登上 agentic framework 子榜第一位。1822

呢個消息最值得睇嘅，未必係某一個模型突然「識晒用電腦」，而係 AI Agent 的表現愈來愈取決於模型外面嗰套 harness（執行框架／運行控制層）：點樣將計劃化成受控操作、檢查操作係咪真係成功，以及面對真實工作流程中各種甩漏時點樣處理。

InAgent 報稱做到咩成績？

按報道所引述的 OSWorld 評測數字，InAgent 的表現包括：

• 整體任務成功率 90.2%；
• 跨應用程式任務 84.7%；
• GIMP 圖像處理任務 92.3%；
• 系統層級任務 100%。22

呢啲都屬於報稱結果，唔係獨立審計結論。現有資料未見公開技術報告，能夠逐項拆出到底係底層模型、操作工具、提示詞、評測設定，抑或 harness 的哪一部分帶來分數。因此要記住：Agent benchmark 測到嘅係一套「模型加系統配置」，唔係單獨量度模型有幾聰明。

亦唔好將一刻的榜首當成永久排名。2026 年 9 月的一個第三方榜單快照，列出 Qwen3.8 Max 在 OSWorld-Verified 以 86.1% 領先，反映排行榜名次和評測配置都會隨時間變動。3

OSWorld 點解有份量？

OSWorld 並非叫 AI 睇住截圖答問題，或者喺模擬網頁撳掣；它旨在測試 Agent 在真實電腦環境中操作。原始 benchmark 有 369 個真實世界任務，涵蓋 Chromium、LibreOffice、GIMP、Thunderbird、VLC、Visual Studio Code，以及作業系統與跨程式工作；評分則根據預先設定的環境狀態，用執行式檢查判斷最終結果。214

常用的 361 項任務設定，會扣除 8 項可能要人手設定的 Google Drive 任務。14

換言之，Agent 不單要識搵按鈕，仲要喺多步工作中保持進度、處理檔案與應用程式狀態，最後令電腦真係變成題目要求的狀態。

歷史對比令 90.2% 的報稱分數更搶眼。OSWorld 最初公布的參考結果中，人類完成超過 72.36% 任務，而最佳模型只得 12.24%。14 不過，呢個比較唔應該被當成放諸四海皆準的「職場能力」指標：任務選擇、環境設定、操作步數上限、工具配置同 Agent harness，都會左右分數。

由 prompt 走向 harness：真正差別喺邊？

Prompt engineering 主要係教模型「要做咩」；context engineering 係決定模型「睇到咩資料」。而 harness engineering 處理的是運行時控制系統：Agent 點觀察、點行動、點保存狀態、點驗證完成、點由失敗中復原。

一份 Agent 系統設計綜述指出，執行 harness 是塑造 Agent 感知、行動、偵錯及復原能力的基礎設施，包括觀察方式、操作空間、執行沙箱、context 管理和驗證迴圈等。28

對一個電腦操作 Agent 而言，一套可靠 harness 通常要做到以下六件事：

1. 將流程拆成可驗證的小目標：例如唔係一句「完成訂單更新」就算，而是分開搵紀錄、核對欄位、作出更新、附上證明、再確認資料已儲存。
2. 將操作派去最合適介面：有可靠且獲允許的 API、指令或結構化工具時，往往比滑鼠點擊更好；GUI 操作則補上無機器可讀介面的步驟。
3. 保存可持續的狀態：Agent 要知道已完成咗乜、目前開緊邊個程式、選中邊個對象、涉及咩檔案，以及某個動作可唔可以安全重試。
4. 從權威來源驗證結果：模型話「做完咗」並唔係證據；harness 應可核對 API 回應、資料庫數值、已儲存檔案或應用程式狀態。
5. 安全復原：對付過期頁面、點擊失敗、彈窗、逾時、部分提交同驗證登入中斷，都要有重試、退回或轉交機制。
6. 執行權限與可觀測性控制：操作紀錄、執行軌跡、審批閘口及受限憑證，令高影響操作可追溯、較易覆核。

有實證顯示，呢一層可以大幅影響 Agent 表現。一項研究報告稱，經過 10 輪 agentic harness engineering，Terminal-Bench 2 的 pass@1 由 69.7% 升至 77.0%，高過文中引述的 71.9% 人手設計 harness 基線。呢個係另一個 benchmark，唔可以用嚟驗證 InAgent 的 OSWorld 分數；但它支持一點：即使唔換底層模型，運行系統設計本身都可以帶來顯著提升。29

API 加 GUI，點解對企業有吸引力？

InAgent 報稱的策略重點之一，是混合式做法：有可靠程式介面時用 API；遇到冇合適 API 的系統，就保留似人手般的 GUI 操作能力。22

這正好對應企業的老問題：一條工作流程可能同時經過有 API 的新服務、老舊桌面軟件、供應商入口網站，或者內部自建系統；後者往往只可以經由員工平日見到的畫面操作。

理想情況下，Agent 會每一步揀較可靠的路：

• 用 API 或指令讀取、更新結構化資料；
• 用 GUI 處理舊系統或封閉介面；
• 可行時從確定性的系統紀錄核對結果。

OSWorld-MCP 的研究同樣發現，在部分設定中加入工具調用能力可以改善電腦操作成功率。研究報告中，OpenAI o3 在 15 步設定由 8.3% 升至 17.6%；Claude 4 Sonnet 在 50 步設定則由 38.9% 升至 45.0%。24

不過，GUI 自動化始終容易受介面改版、延遲、彈窗、目標含糊、存取控制、多重驗證（MFA）及不可逆操作影響。混合式執行可以減低風險，但唔代表風險會消失。

90.2% 對實際部署代表咩？

90.2% 完成率意味住，仍有 9.8% benchmark 任務未能成功完成。如果有 10,000 宗相若工作，粗略即係約 980 宗例外情況；而且呢個估算仲未計表面成功、實際業務結果卻錯咗的「靜默錯誤」。

呢個分數並非冇意義。它反映電腦操作 Agent 可能逐步接近適用於範圍清晰、重複性高、控制措施足夠的流程。但它絕對唔等於可以放任 Agent 自行處理付款、法律申報、安全關鍵操作，或直接影響客戶的改動。

公司準備落地時，除咗 headline pass rate，仲應該審視：

• 喺自己工作流程上的完成率與正確性；
• 失敗模式與可否復原；
• 成本、延遲與操作步數；
• 權限邊界與需審批的位置；
• 每次「完成」後，有冇證據顯示目標系統狀態真的被正確改動；
• 例外個案隊列有幾大，以及由邊個、用咩流程處理。

更新、更難的 OSWorld 2.0 亦提醒人要保持審慎。它有 108 條長流程工作；在主要的 500 步二元完成指標下，報告中的最高分只得 20.6%。當任務更長、更接近真實工作時，現有 Agent 距離廣泛達到專業級電腦操作仍有一大段路。17

真正里程碑：執行工程

InAgent 報稱的 90.2% 成績，較合理的解讀是 Agent 系統工程的一個里程碑。更好的 prompt 和更豐富的 context 當然仍然重要，但要令自動化可靠，愈來愈要靠模型以外的機制：任務拆解、工具選擇、持續狀態、可驗證的完成條件、受限權限，以及失敗時的復原路徑。

對企業來講，最實用的問題唔係「邊個模型喺 benchmark 最高分」，而係這個 Agent 能否以可量度的正確性完成某一條指定流程、控制副作用，並在行唔通時安全地交返畀人。高 OSWorld 分數可以幫手提供參考，但單靠一個分數，證明唔到呢啲條件。

Intelligence Indeed 在 2026 年 8 月表示，其電腦操作產品在公告中稱為 Z-Agent、其他報道則稱為 InAgent，於 OSWorld 取得 90.2% 任務成功率，成為首個報稱突破 90% 的參與系統；公司亦稱它登上 agentic framework 子榜第一位。1822

呢個消息最值得睇嘅，未必係某一個模型突然「識晒用電腦」，而係 AI Agent 的表現愈來愈取決於模型外面嗰套 harness（執行框架／運行控制層）：點樣將計劃化成受控操作、檢查操作係咪真係成功，以及面對真實工作流程中各種甩漏時點樣處理。

InAgent 報稱做到咩成績？

按報道所引述的 OSWorld 評測數字，InAgent 的表現包括：

• 整體任務成功率 90.2%；
• 跨應用程式任務 84.7%；
• GIMP 圖像處理任務 92.3%；
• 系統層級任務 100%。22

呢啲都屬於報稱結果，唔係獨立審計結論。現有資料未見公開技術報告，能夠逐項拆出到底係底層模型、操作工具、提示詞、評測設定，抑或 harness 的哪一部分帶來分數。因此要記住：Agent benchmark 測到嘅係一套「模型加系統配置」，唔係單獨量度模型有幾聰明。

亦唔好將一刻的榜首當成永久排名。2026 年 9 月的一個第三方榜單快照，列出 Qwen3.8 Max 在 OSWorld-Verified 以 86.1% 領先，反映排行榜名次和評測配置都會隨時間變動。3

OSWorld 點解有份量？

OSWorld 並非叫 AI 睇住截圖答問題，或者喺模擬網頁撳掣；它旨在測試 Agent 在真實電腦環境中操作。原始 benchmark 有 369 個真實世界任務，涵蓋 Chromium、LibreOffice、GIMP、Thunderbird、VLC、Visual Studio Code，以及作業系統與跨程式工作；評分則根據預先設定的環境狀態，用執行式檢查判斷最終結果。214

常用的 361 項任務設定，會扣除 8 項可能要人手設定的 Google Drive 任務。14

換言之，Agent 不單要識搵按鈕，仲要喺多步工作中保持進度、處理檔案與應用程式狀態，最後令電腦真係變成題目要求的狀態。

歷史對比令 90.2% 的報稱分數更搶眼。OSWorld 最初公布的參考結果中，人類完成超過 72.36% 任務，而最佳模型只得 12.24%。14 不過，呢個比較唔應該被當成放諸四海皆準的「職場能力」指標：任務選擇、環境設定、操作步數上限、工具配置同 Agent harness，都會左右分數。

由 prompt 走向 harness：真正差別喺邊？

Prompt engineering 主要係教模型「要做咩」；context engineering 係決定模型「睇到咩資料」。而 harness engineering 處理的是運行時控制系統：Agent 點觀察、點行動、點保存狀態、點驗證完成、點由失敗中復原。

一份 Agent 系統設計綜述指出，執行 harness 是塑造 Agent 感知、行動、偵錯及復原能力的基礎設施，包括觀察方式、操作空間、執行沙箱、context 管理和驗證迴圈等。28

對一個電腦操作 Agent 而言，一套可靠 harness 通常要做到以下六件事：

1. 將流程拆成可驗證的小目標：例如唔係一句「完成訂單更新」就算，而是分開搵紀錄、核對欄位、作出更新、附上證明、再確認資料已儲存。
2. 將操作派去最合適介面：有可靠且獲允許的 API、指令或結構化工具時，往往比滑鼠點擊更好；GUI 操作則補上無機器可讀介面的步驟。
3. 保存可持續的狀態：Agent 要知道已完成咗乜、目前開緊邊個程式、選中邊個對象、涉及咩檔案，以及某個動作可唔可以安全重試。
4. 從權威來源驗證結果：模型話「做完咗」並唔係證據；harness 應可核對 API 回應、資料庫數值、已儲存檔案或應用程式狀態。
5. 安全復原：對付過期頁面、點擊失敗、彈窗、逾時、部分提交同驗證登入中斷，都要有重試、退回或轉交機制。
6. 執行權限與可觀測性控制：操作紀錄、執行軌跡、審批閘口及受限憑證，令高影響操作可追溯、較易覆核。

有實證顯示，呢一層可以大幅影響 Agent 表現。一項研究報告稱，經過 10 輪 agentic harness engineering，Terminal-Bench 2 的 pass@1 由 69.7% 升至 77.0%，高過文中引述的 71.9% 人手設計 harness 基線。呢個係另一個 benchmark，唔可以用嚟驗證 InAgent 的 OSWorld 分數；但它支持一點：即使唔換底層模型，運行系統設計本身都可以帶來顯著提升。29

API 加 GUI，點解對企業有吸引力？

InAgent 報稱的策略重點之一，是混合式做法：有可靠程式介面時用 API；遇到冇合適 API 的系統，就保留似人手般的 GUI 操作能力。22

這正好對應企業的老問題：一條工作流程可能同時經過有 API 的新服務、老舊桌面軟件、供應商入口網站，或者內部自建系統；後者往往只可以經由員工平日見到的畫面操作。

理想情況下，Agent 會每一步揀較可靠的路：

• 用 API 或指令讀取、更新結構化資料；
• 用 GUI 處理舊系統或封閉介面；
• 可行時從確定性的系統紀錄核對結果。

OSWorld-MCP 的研究同樣發現，在部分設定中加入工具調用能力可以改善電腦操作成功率。研究報告中，OpenAI o3 在 15 步設定由 8.3% 升至 17.6%；Claude 4 Sonnet 在 50 步設定則由 38.9% 升至 45.0%。24

不過，GUI 自動化始終容易受介面改版、延遲、彈窗、目標含糊、存取控制、多重驗證（MFA）及不可逆操作影響。混合式執行可以減低風險，但唔代表風險會消失。

90.2% 對實際部署代表咩？

90.2% 完成率意味住，仍有 9.8% benchmark 任務未能成功完成。如果有 10,000 宗相若工作，粗略即係約 980 宗例外情況；而且呢個估算仲未計表面成功、實際業務結果卻錯咗的「靜默錯誤」。

呢個分數並非冇意義。它反映電腦操作 Agent 可能逐步接近適用於範圍清晰、重複性高、控制措施足夠的流程。但它絕對唔等於可以放任 Agent 自行處理付款、法律申報、安全關鍵操作，或直接影響客戶的改動。

公司準備落地時，除咗 headline pass rate，仲應該審視：

• 喺自己工作流程上的完成率與正確性；
• 失敗模式與可否復原；
• 成本、延遲與操作步數；
• 權限邊界與需審批的位置；
• 每次「完成」後，有冇證據顯示目標系統狀態真的被正確改動；
• 例外個案隊列有幾大，以及由邊個、用咩流程處理。

更新、更難的 OSWorld 2.0 亦提醒人要保持審慎。它有 108 條長流程工作；在主要的 500 步二元完成指標下，報告中的最高分只得 20.6%。當任務更長、更接近真實工作時，現有 Agent 距離廣泛達到專業級電腦操作仍有一大段路。17

真正里程碑：執行工程

InAgent 報稱的 90.2% 成績，較合理的解讀是 Agent 系統工程的一個里程碑。更好的 prompt 和更豐富的 context 當然仍然重要，但要令自動化可靠，愈來愈要靠模型以外的機制：任務拆解、工具選擇、持續狀態、可驗證的完成條件、受限權限，以及失敗時的復原路徑。

對企業來講，最實用的問題唔係「邊個模型喺 benchmark 最高分」，而係這個 Agent 能否以可量度的正確性完成某一條指定流程、控制副作用，並在行唔通時安全地交返畀人。高 OSWorld 分數可以幫手提供參考，但單靠一個分數，證明唔到呢啲條件。