AI 先探索,代码再接管:CVS Health 用 2 阶段架构揭示 Agent 自动化的另一条路线

企业 Agent 不必在每一次重复任务中都重新调用大模型。CVS Health 开源的 CUA Agent Kit 给出了一条更经济的工程路线:先让 Computer-use Agent 探索未知业务流程,并把成功过程记录成截图、事件和 Trace;再由 Codex 把这些证据转换为可检查、可维护、可重复执行的确定性代码。

这套方案把 AI 的灵活探索能力和传统自动化的稳定执行能力拼在一起,形成“AI 探索、代码固化、持续维护”的混合架构。它不是让 Agent 取代脚本,而是让 Agent 去写脚本、修脚本。

您读完此文能了解到什么?

  • CVS Health CUA Agent Kit 如何完成从 AI 探索到代码固化的两阶段流程
  • 截图、events.jsonl、Trace 和语义定位器在固化环节分别起什么作用
  • 固定流程如何在不调用大模型的情况下运行,出现异常后又如何维护

后文的客观事实部分依次交代:CUA Agent Kit 的工作机制、从 AI 操作到 Playwright 代码之间发生了什么、固化之后 Agent 还承担哪些维护工作、这套架构与传统 RPA 的区别有什么研究依据,以及开发者如何动手复用。分析判断部分再讨论两个问题:为什么 Agent 每次从头思考是一种浪费,以及哪些任务适合这种混合架构、哪些必须保留人工审核。

cvs-health-cua-agent-kit-ai-explore-code-takeover-image-0


To Know:理解 CVS Agent 自动化路线的 7 个概念

概念 简要解释
Computer Use 通过观察软件界面、执行点击和输入等操作来完成任务的能力
EHR 电子健康记录系统,医疗机构存放和处理患者病历的核心软件
MCP 用于发现和调用外部工具的标准协议
RPA 通过预先配置的规则或程序执行重复流程的自动化方式
Rubric points 按评测规则拆分的评分点,衡量部分要求的达成情况
端到端成功率 完整任务满足全部成功条件的比例
Trace 记录执行过程、操作和页面状态的轨迹证据

影响速览:CVS Agent 自动化路线对谁有影响

  • 开发者与技术负责人:重点不是“用不用 Agent”,而是按任务拆分执行机制。需要分别验证探索阶段的完成率、固化代码的稳定性,以及包含维护在内的完整成本,而不是只看单次模型调用价格。
  • 医疗机构与工作流负责人:需要区分合成演示、厂商评测、企业公开案例和自家试点,这几类证据的分量不同。涉及患者数据和状态变更的步骤,应提前落实人工审批、最小权限和操作留痕。

客观事实:CVS Health CUA Agent Kit 的两阶段路线

背景先交代清楚。2026 年 11 月 16 日,OpenAI 发布面向医疗团队的 Computer-use Agent 进展,公布了临床和医疗行政任务的评测结果,以及与 CVS Health、Cigna Healthcare、Abridge、Ambience 等机构的合作实践。CVS Health 在其中披露了生产环境案例,并开源了 CUA Agent Kit,许可证为 Apache-2.0。

CVS Health 方面公开的生产结果包括:某个生产工作流中的 Agent 在一个周末清理了积压数月的文件发送任务;另一个 Agent 每天处理数万次专科会诊中的系统操作步骤。系统配有验证检查和人工监督,并通过截图和操作记录核对实际操作与应用状态。需要注意,这些都是企业自行披露的数据。“数万次”指的是会诊相关的系统操作步骤,不代表数万个临床决策由 AI 独立完成。公开材料也没有说明这些生产 Agent 是否完全基于开源版 Agent Kit 构建,两者不应直接画等号。

来源: openai.com/index/advancing-computer-use-for-healthcare-teams/

CVS Health 的 CUA Agent Kit 是如何工作的?

项目 README 对自己的定位很直白:这是一个用于自动化浏览器和 Windows 工作流的起步工具包,用 AI 发现步骤,再用代码重复执行。项目特别强调,“搞清楚任务怎么做”和“长期稳定地重复做”是两个不同的问题,应该用不同的手段解决。

整个流程分为两个阶段:

  1. 探索阶段:OpenAI Computer-use Agent 接收自然语言描述的任务,例如“找到某条记录并处理转诊”,在真实界面中探索、执行和验证。过程中保存截图、操作动作、操作目标和执行轨迹。
  2. 固化阶段:Codex Skill 读取已经成功的探索记录,生成或更新确定性工作流代码。之后同一流程的重复执行交给普通代码,不再要求大模型每次重新推理。

探索阶段留下的证据都是落盘文件,而不是停留在模型内部的推理过程。README 公开的记录类型如下:

记录 主要用途 在固化环节的价值
Screenshots 记录每一步的界面状态 供工程师和 Codex 核对页面到底长什么样
events.jsonl 逐行记录操作事件 还原“做了什么、按什么顺序做”
run.json 记录本次运行信息 区分不同运行、判断是否成功
trace.zip Playwright 执行轨迹 提供元素、网络和时序等细节,用于生成和诊断代码

来源: github.com/cvs-health/cua-agent-kit

cvs-health-cua-agent-kit-ai-explore-code-takeover-image-1

从 AI 操作到 Playwright 代码,CVS Agent Kit 做了什么?

固化阶段最关键的一个细节是:生成的不是“鼠标坐标回放”。CVS 项目在生成浏览器工作流时,会利用语义定位器(Semantic Locators)产出 Playwright 代码,通过元素的角色、名称等语义特征定位目标,而不是死记某个屏幕坐标。

两者的差别在维护时最明显。坐标回放受分辨率、窗口大小、布局微调影响,按钮挪动几个像素就可能点空,而且出错后很难从一串坐标里看出原本想点什么。语义定位器写出来的代码类似“点击名为‘提交’的按钮”,意图写在代码里,工程师能直接审查,页面局部调整时也更不容易失效。当然,如果按钮改名或流程改版,语义定位器同样会失败,只是失败更容易定位。

项目的工具分工如下:

  • Playwright:负责浏览器工作流的确定性执行,并产出 trace.zip 这类可回放轨迹。
  • pywinauto:负责 Windows 桌面应用的自动化,覆盖没有网页界面的老系统。
  • Codex Skill:读取成功的探索轨迹,生成或更新上述两类代码。

这一思路与 OpenAI 官方文档的方向一致。OpenAI 的 Computer Use 指南介绍了两种路径:一种是模型返回结构化的鼠标键盘动作,由应用执行;另一种是模型生成代码,借助 Playwright 等工具操作界面。文档对 GPT-6 Astra 推荐代码执行方式,Computer Tool 仍作为可选方案。ComputerToolset、BrowserToolset 和托管浏览器入口在官方指南中分别说明。

来源: developers.openai.com/api/docs/guides/tools-computer-use

固化之后,CVS Agent Kit 中的 Agent 还需要做什么?

流程固化后,确定性执行通过 README 给出的命令运行:

uv run cua-agent-run

这一阶段不需要每次调用大模型,也不需要 API Key。但项目并没有把“固化”当成一劳永逸。README 描述的维护机制是一个闭环:

  1. 固定工作流按计划执行;
  2. 在生产 Trace 中发现异常;
  3. Codex 利用 Trace 诊断问题;
  4. 更新确定性代码;
  5. 由工程师审查改动;
  6. 通过测试和验证后,重新投入重复执行。

换句话说,Agent 的角色从“每次都亲自干活”变成了“平时不在场,出问题时来修代码”。代码会失败,界面会改版,这一点项目本身就默认了,所以才设计了诊断和审查环节。

cvs-health-cua-agent-kit-ai-explore-code-takeover-image-2

CVS 的混合 Agent 自动化与传统 RPA 有什么区别?

传统 RPA 依赖预先配置的步骤和界面定位,执行快、结果稳定,但开发和改版维护需要人工投入。纯 Agent 能理解自然语言、适应界面变化,但每次重新推理会带来成本和结果波动。CUA Agent Kit 的定位介于两者之间:用 Agent 替代“人工录制和编写流程”这一步,执行阶段则回到确定性代码。

关于两者的直接对比,可参考 2026 年发表的一项研究:Are LLM agents the new RPA? A comparative benchmark study of agentic automation and RPA across standardized workflow tasks(DOI: 10.1080/23311975.2026.2724760)。研究在 2025 年 5—6 月进行,对比 UiPath Studio 2023.4.0 与 Anthropic Computer Use Agent,覆盖数据录入、监控、文档提取三类标准任务。

任务 RPA 成功率 Agent 成功率 初步开发时间(单开发者观察)
P1 未纳入对照统计 Agent 仅运行 1 次即失败,未进入后续统计 未披露
P2 100%(10 次) 90%(10 次) Agent 约 10 分钟,RPA 约 38 分钟
P3 100%(10 次) 60%(10 次) Agent 约 15 分钟,RPA 约 240 分钟

研究还发现,RPA 在 P2、P3 中执行速度显著更快;Agent 的问题主要包括界面操作失败、上下文丢失和判断错误;Agent 对动态界面的适应能力有潜在优势。

这项研究的边界必须说清楚:

  • 样本很小:P2、P3 每种技术各 10 次,P1 并非“每技术 10 次”,不能笼统概括。
  • 开发时间只是初步观察:来自单个开发者,没有统计代表性,不能当作行业平均值。
  • 工具版本偏旧:研究使用的是 2025 年的 Agent 配置,不能代表 2026 年新模型的成绩。

即便如此,结论方向与 CVS 的设计相互印证:Agent 擅长快速探索和灵活处理,RPA 式的确定性执行在稳定重复方面仍有优势。

来源: tandfonline.com/doi/full/10.1080/23311975.2026.2724760

cvs-health-cua-agent-kit-ai-explore-code-takeover-image-3

开发者如何复用 CVS CUA Agent Kit 的思路?

README 列出的环境要求不多:

  • Python 3.12 或更高版本;
  • uv(Python 包与项目管理工具);
  • 可访问的目标网站或桌面应用;
  • 探索阶段需要 OPENAI_API_KEY;
  • 可通过 OPENAI_BASE_URL 配置自定义 API Endpoint。

使用上对应三个阶段:发现(Agent 探索并留证据)、固化(Codex 生成代码)、运行(确定性执行)。发现和固化阶段的具体命令与参数请以仓库 README 为准,运行阶段即前文的 uv run cua-agent-run。

OPENAI_BASE_URL 这个设计值得留意。它意味着探索阶段的模型入口可以指向官方 API,也可以指向企业内部网关或其他兼容 OpenAI 接口的服务,便于统一鉴权、计费和审计。探索阶段的环境变量可以这样配置:

# 探索阶段:需要模型 API
export OPENAI_API_KEY="YOUR_API_KEY"
export OPENAI_BASE_URL="https://api.apiyi.com/v1"   # 使用 API易 统一接口,或换成你的网关

# 运行阶段:确定性执行,不需要 API Key
uv run cua-agent-run

需要强调一点:Computer Use 依赖特定的 Responses API 能力和工具类型。换用任何自定义端点前,都要先确认该端点支持探索阶段所需的模型与工具,用一个简单流程跑通再推广。

固化之后,日常维护中最常做的事是读 Trace 和事件日志。下面是一个辅助脚本示例:把一次运行的 events.jsonl 交给通用大模型,让它整理出步骤清单和可疑失败点,供工程师审查时参考。events.jsonl 的具体字段以项目实际输出为准,这里只按行读取;涉及患者等敏感信息时,务必先脱敏,或只在合规环境内处理。

import json
import openai

client = openai.OpenAI(
    api_key="YOUR_API_KEY",
    base_url="https://api.apiyi.com/v1"  # API易 OpenAI 兼容接口
)

def summarize_events(path: str, model: str = "gpt-4o-mini") -> str:
    """读取已脱敏的 events.jsonl,生成步骤清单与疑似失败点"""
    with open(path, encoding="utf-8") as f:
        events = [json.loads(line) for line in f if line.strip()]

    sample = json.dumps(events[:200], ensure_ascii=False)  # 控制上下文长度
    prompt = (
        "以下是一次界面自动化运行的事件日志。"
        "请按顺序列出操作步骤,并指出最可能导致失败的步骤及原因,"
        "只基于日志内容,不要臆测。\n" + sample
    )
    resp = client.chat.completions.create(
        model=model,  # 替换为你在平台上实际可用的模型
        messages=[{"role": "user", "content": prompt}],
    )
    return resp.choices[0].message.content

print(summarize_events("runs/latest/events.jsonl"))

这个脚本只是辅助阅读,不替代 Codex 根据完整 Trace 诊断问题,也不替代工程师审查和测试。

🚀 快速上手建议:复用这套思路时,可以先挑一个内部测试站点上的低风险流程跑通“探索 → 固化 → 运行”全链路。探索阶段需要反复调用模型对比效果,可以通过 API易 apiyi.com 获取免费测试额度,用同一个 API Key 切换不同模型做日志分析等辅助任务,再决定正式环境的模型选型。


分析判断:CVS Agent 自动化路线的取舍

以下内容是基于前述事实的解读,不是项目方或 OpenAI 的结论。

为什么 Agent 每次都从头思考是一种浪费?

多步骤业务自动化有一个特点:流程一旦跑通,后面绝大多数执行都是同一条路径。如果每次都让 Computer-use Agent 重新截图、理解界面、规划下一步,模型其实是在为已经知道答案的问题反复付费。这种重复推理会同时带来三类代价。

第一是成本。Computer Use 是多轮调用,每一步操作后的截图属于图像输入,会持续累积 Token。以 OpenAI 2026 年 11 月 17 日公布的 Standard 短上下文价格为例,GPT-6 Astra 输入、输出、缓存输入分别为每百万 Token 10、50、1 美元,GPT-6 Luna 为 0.10、0.50、0.01 美元。在 HealthAdminBench 评测中,Luna 每任务成本为 0.085 美元,比 Astra 低 98%;按此比例反推,Astra 约为每任务 4.25 美元,但这只是估算值,而且是基准测试条件下的成本,不能当作生产报价。

第二是延迟。每一步都要等模型返回,流程越长,等待越久。前文研究中 RPA 在 P2、P3 的执行速度显著快于 Agent,原因也在于此。

第三是波动。同一任务多次运行,Agent 可能走出不同路径,研究中 P3 的 Agent 成功率只有 60%。对于需要可预测、可审计的业务,这种不确定性比成本更难接受。

因此,两个阶段的成本结构应当分开核算:

成本项 探索阶段(Agent) 执行阶段(确定性代码)
模型 Token 每轮视觉与文本输入、计费输出分别统计;重试 Token 已计入总量的不重复加 正常运行为零
工具与运行环境 浏览器、桌面环境、容器等实际使用的服务 运行代码的机器与浏览器环境
工程投入 编写任务描述、核对证据、审查生成代码 监控、异常诊断、代码更新与测试
发生频率 新流程上线或流程大改时 每次业务执行
推荐做法 按复杂度分层选模型,高难流程用强模型,结构化流程用低价模型 尽量不调用模型,异常时才回到 Agent 修复

混合架构的经济性正来自这张表:昂贵的模型调用集中在低频的探索和修复环节,高频的执行环节回到接近零边际模型成本的代码。真实账本还要算上维护投入,界面改版越频繁,回到探索阶段的次数越多,节省幅度就越小。

💰 成本建议:探索阶段的模型分层选型,最好用自己的真实流程实测,而不是照搬基准数字。通过 API易 apiyi.com 可以在同一套 OpenAI 兼容接口下切换模型,按量计费,便于对比不同模型在探索和日志诊断环节的实际 Token 消耗。

这里还有一个容易被忽略的评测口径问题。OpenAI 公布的 HealthAdminBench 成绩为 Astra 94.3%、Luna 91.8%,均为最高推理强度下的 rubric points 占比,不是端到端成功率。斯坦福团队论文 2604.09937v1 版本包含 135 项任务、1698 个子任务(其中 1177 个确定性评分、521 个由模型裁判),报告的最佳完整任务成功率为 36.3%(Claude Opus 4.6 CUA),最佳子任务成功率为 82.8%(GPT-5.4 CUA);早期网页披露的 70 项任务、947 个评分点属于另一个公开版本,只能作为历史对照。这些数字来自不同模型、日期、执行条件和指标,不能排成同一张榜单。

对“先探索后固化”而言,端到端成功率比局部得分更关键。Codex 需要的是一条完整成功的轨迹,探索阶段在 90% 的子步骤上做对、却卡在最后一步提交,留下的 Trace 依然无法直接固化。选模型时,应当用自己的流程测完整任务的成功率。

什么任务适合 CVS 式的混合 Agent 架构?

把前述事实合在一起,可以得到一张大致的任务分工表:

任务特征 推荐执行方式 典型例子 人工介入
流程未知、缺少文档、界面复杂 Agent 探索并留证据 首次梳理某个老系统的操作路径 审查探索结果和生成代码
流程稳定、高频重复、可用状态验证 固化为确定性代码 跨系统文件发送、固定字段搬运 抽检结果、监控异常
已有 API 覆盖 优先调用 API 结构化数据写入 按常规权限管理
界面频繁改版 固化后加强监控,预留回到探索的预算 第三方门户 每次代码更新都需审查
改变高风险业务状态 代码或 Agent 只做到草稿 / 待审批 提交申请、发送消息、修改记录 必须人工审批

医疗场景中,其他合作方的做法也提供了参照。Ambience 展示的方案在病历存在歧义时让 Agent 停下来询问医生,提交前等待批准;Assort 的案例则是 API 负责能覆盖的部分,Computer Use 只补齐 API 未覆盖的界面步骤。“API + Computer Use + 确定性代码 + 人工审批”的组合,比单押某一种技术更现实。

需要明确的是,确定性代码只是让执行可预测,并不保证结果正确。如果探索阶段固化下来的是一条有缺陷的路径,代码会稳定地重复这个缺陷;跨系统操作中,一个错误还可能被复制到多个下游系统。因此,操作前状态检查、操作后结果验证、最小权限和全程留痕,在固化之后依然不能省。本文讨论的是工程架构,不涉及任何患者诊疗建议。

对于想动手的团队,比较稳妥的路径是:先在非生产环境挑一个低风险、高重复的流程,完整走一遍探索、固化、运行和一次人为制造的界面变更,记录模型调用成本、代码维护工时和失败恢复时间。这三项数据比任何基准分数都更能说明这套架构在你的场景里是否划算。探索阶段的多模型对比测试,可以先用 API易 apiyi.com 的免费额度起步,再根据实测结果决定正式部署的模型和接入方式。

CVS 的方案之所以值得关注,不在于它宣称 Agent 有多聪明,而在于它承认了 Agent 的局限,并把聪明用在最该用的地方:探索一次,固化成代码,坏了再修。这条路线能否在更多企业成立,最终要看各家流程在真实环境中的实测数据。

The proof of the pudding is in the eating.(布丁好不好,吃了才知道:实际效果要靠实践检验。)


作者: APIYI 技术团队
技术交流: 欢迎在 API易 apiyi.com 网站首页联系我们,更多接入资料可访问 docs.apiyi.com 文档中心

发表评论