开发者Shiv开源了一款叫Third Hand的工具，让AI控制电脑操作。消息提到，它不截屏、不调用视觉大模型，延迟压到亚秒级，运行成本趋近于零。做法是通过系统底层辅助功能抓取活跃窗口的控件列表，把按钮和输入框变成结构化文本；通用大模型只负责把长任务拆成目标清单，具体点击输入交给底层决策模型。这是单个开源项目的实现，不是行业统一标准。

简历别写“了解Agent”，写清你做的是哪类事

看到这类项目，很多人第一反应是往简历里加“熟悉大模型Agent”。但招聘方真正想分辨的，是你动手做过哪一类工作。可以按三种任务类型对标自己：一是系统接口类，比如读取控件信息、处理焦点、适配不同系统环境；二是决策执行类，比如模型选型、推理延迟控制、错误重试；三是流程编排类，比如把长任务拆成有序步骤、管理中间状态。

写简历时，用[实际记录]的方式写出你真正完成的任务，例如“用系统接口读取某类窗口控件并完成批量操作”，再补一句你判断过延迟或稳定性。不要写你没做过的模型训练或部署。素材没有说明Jev模型的能力边界和授权方式，也别把它写成你已掌握的技能。 延伸阅读：大模型 Agent 工程师简历模板

大模型 Agent 工程师简历模板

面试时，用具体问题问清岗位做哪一层

同一个“桌面自动化”岗位，职责可能完全不同。你可以问：团队获取界面信息主要依赖系统辅助功能，还是也保留图像识别方案？如果两者都有，再追问什么场景下必须切换。这个问题能区分岗位是偏系统集成，还是偏视觉工程。

还可以问：任务拆解是团队自己维护规则，还是交给通用模型？执行层用的是什么组件，延迟和成本如何取舍？控件信息在目标系统上覆盖不全时，怎么兜底？这些是帮你核实岗位职责的问题，不是断言面试官一定会问，也不代表对方一定招人。

一个开源项目，不说明路线之争已有答案

素材只描述Third Hand抛弃了让大模型看图数像素的路线，并没有说无障碍方案已经胜过视觉方案，也没提视觉经验是否贬值。无障碍信息拿不到、界面是自绘的情况，视觉方案仍可能有位置，但这是场景判断，不是行业趋势结论。

更实际的做法是：找一台你常用的电脑，用系统辅助功能接口写一个小脚本，读出某个窗口的控件列表并打印出来。跑通这一步，你对这个方向的理解会比看十篇文章具体，也更容易在简历里写出有细节的经历。 延伸阅读：校招必看！Agent应用研发工程师简历模板：RAG系统优化+Prompt Engineering实战