国庆回家，看到家里的智能电视，我想到这或许是 Jev 这类决策模型做 Computer Use 的绝佳载体。 
智能电视的操作逻辑是这样的，界面上每个可交互元素都可以被通过遥控器的方向键导航到，在聚焦到可交互元素上时会有显眼的标识（比如一个手形元素放在目标元素右下角），通过确定键来点击该可交互元素，通过点击返回键来返回上一层级。 
那我们完全就可以仿照这种操作逻辑，现代 GUI 操作系统也提供了 tab 导航机制，如果能够提供 上、下、左、右 四个 action 用于移动焦点，外加 确定（鼠标左键）、菜单（鼠标右键）、返回、win键 以及 调用 LLM 来文本输入 或许就能覆盖多数电脑操作时需要的逻辑。