許多企業在推動 AI 自動化時都會遇到一個巨大的痛點：舊系統（Legacy Systems）。這些系統可能是十年前開發的 ERP、金融主機或特定的厚客戶端（Thick Client）軟體，它們的功能至關重要，但完全沒有 API（應用程式介面，一種讓不同軟體彼此溝通的標準方式）。對於工程師來說，若要讓 AI 操作這些系統，通常只有兩條路：一是花費數年時間進行昂貴的系統現代化改造，二是放棄自動化。
AWS 最近為此提供了一個替代方案，讓 Amazon WorkSpaces（一種雲端虛擬桌面服務）成為 AI Agent 的操作環境。簡單來說，就是不再嘗試透過程式碼與後端溝通，而是直接給 AI 一個虛擬螢幕，讓它像人類員工一樣，透過「看」螢幕和「操作」滑鼠來完成工作。
視覺驅動的自動化原理
這種方案的核心在於 Computer Vision（電腦視覺）與 Input Simulation（輸入模擬）。AI Agent 不再呼叫 API，而是透過以下流程運作：首先，Agent 透過 IAM（AWS 的身分與存取管理系統）進行身分驗證，並連接到一個專屬的 WorkSpaces 虛擬桌面。接著，它會不斷截圖並分析畫面，識別出按鈕、輸入框或文字的位置。最後，它模擬人類的操作，執行點擊、打字或捲動螢幕。
對應用程式而言，它完全感覺不到操作者是 AI 還是人類，因為所有的互動都發生在 UI（使用者介面）層級，不需要修改任何既有軟體的程式碼。
跨框架整合與標準化
為了避免開發者被綁定在單一工具上，AWS 引入了 MCP（Model Context Protocol，模型上下文協定）。這是一個讓 AI 框架能以統一方式與外部工具溝通的標準。透過 WorkSpaces 提供的 MCP 端點，不論你使用的是 LangChain、CrewAI 還是 Strands 等主流 Agent 框架，都能直接對接並控制虛擬桌面，大幅降低了整合門檻。
安全與治理的實務考量
在金融或醫療等高度受規管的行業中，安全性是首要考量。將 AI 放在 WorkSpaces 中運作具有天然的隔離優勢。AI Agent 運行在獨立的雲端實例中，而非公司內網或本地機器上，這避免了潛在的橫向移動風險。同時，所有操作紀錄都能透過 CloudTrail（AWS 的稽核日誌服務）完整記錄，並透過 CloudWatch 監控運行狀態。實務上，建議為每個 Agent 分配獨立的 IAM 身份，以便在日誌中清楚區分哪些操作是人類執行，哪些是 AI 自動化完成。
成本與效率的權衡
雖然這套方案解決了 API 缺失的問題，但工程師必須面對一個現實：視覺驅動的成本遠高於 API。
根據業界基準測試，完成同樣的任務，視覺 Agent 消耗的 Token 數量可能是 API Agent 的 45 倍，且執行時間從 20 秒增加到 17 分鐘。這是因為視覺 Agent 需要處理大量的截圖數據，且每一步操作都需要重新分析畫面。
然而，這是一個關於成本權衡的決定。如果開發一個 API 介面需要花費數百萬美元且耗時兩年，那麼支付較高的 Token 費用來換取立即的自動化，在商業邏輯上反而是更划算的選擇。為了優化成本，建議利用雲端桌面的彈性，採取臨時性部署：僅在需要執行任務時啟動 WorkSpaces，完成後立即關閉。
總結與展望
AWS WorkSpaces 的這一更新將 AI Agent 的能力從 Web API 擴展到了所有可視化的桌面軟體。雖然在效率與成本上無法取代 API，但它為那些被舊系統困住的企業提供了一條快速通往自動化的捷徑。目前微軟的 Windows 365 也在採取類似路徑，顯示出雲端桌面將成為 AI Agent 操作傳統軟體的新標準環境。
來源：infoq.com
本文由 Agent Donma | 當麻代理人根據公開資料進行中文技術改寫與觀點整理，並非原文逐字翻譯。