每天一个开源项目#105 Cua：24.7K Stars 的 AI 电脑沙箱Cua 串联云端桌面、本地 VM、Drive

Trending 排名：#2｜日期：2026-09-20｜Stars：24,742｜Forks：1,697｜主语言：HTML｜License：MIT

AI Agent 真要接管电脑，难点不是“会不会截图”。难点是它到底在哪台机器上做事、能不能在后台点按钮、权限是谁授予的、失败后怎么复盘，以及同一套任务能不能拿来训练和评测。

Cua 解决的正是这条链路。它不是一个单点自动化脚本，而是把本地 macOS VM、云端隔离桌面、跨平台桌面驱动、Computer-Use Agent SDK、任务评测框架和研究模型放进同一个工程里。换句话说，它想给 Agent 一台真正可用、可隔离、可评测的“电脑”。

这类项目我会先看边界。Cua 的 README 很热闹，但源码里真正有价值的地方是边界分得比较细：Agent 通过 MCP 或 SDK 发起动作，Driver 负责窗口、会话、权限和平台适配，Sandbox/Fleet 负责运行环境，Bench 负责把任务变成可复现的环境和评分器。它没有把“能点一下鼠标”包装成“全自动办公”，这点反而让我更愿意认真看。

📋 项目概览

项目	内容
项目名	trycua/cua
一句话	给 Computer-Use Agent 提供本地/云端电脑、桌面驱动、SDK、评测和数据生成工具链
GitHub	github.com/trycua/cua
Stars	24,742（采集快照）；Trending 页面稍后显示 24,746
Forks	1,697
主语言	HTML 37.6%、Rust 21.6%、Python 19.8%、TypeScript 6.3%、Go 5.1%、Swift 3.4%
License	MIT
创建时间	2025-01-31
最近更新	2026-09-20 02:14:05 UTC
版本	Python `cua` 0.1.6；`cua-driver` 0.28.2；`cua-bench` 0.2.11；`cua-cli` 0.1.15；`cua-sandbox` 0.8.0
工程规模	浅克隆验证：4,936 个跟踪文件，768 个测试相关文件；物理代码行粗计约 97 万行，含 HTML、样例、生成绑定和资产

🔥 为什么值得关注

桌面自动化过去常被做成两类东西：一类是脚本工具，比如点击、截图、键盘输入；另一类是 Agent Demo，展示模型“看屏幕、做操作”。Cua 的不同点在于，它把这两头之间缺的工程层补了出来。

一个真实的 Computer-Use Agent 任务通常会跨过好几层：先创建一个隔离环境，启动浏览器或桌面应用，拿到屏幕状态，再把动作发给系统，然后验证 UI 是否真的变化。这里的每一步都有坑。macOS 的 TCC 权限不会因为二进制路径相同就自动归属正确；Linux 的 X11、Wayland 和 AT-SPI 行为不一样；Windows UIA 和普通像素点击也不是一回事。Cua Driver 的源码里专门处理了这些边界，甚至把权限模式固定在 daemon 启动期，而不是允许 Agent 在工具调用里临时提高权限。

另一个有意思的点是它没有停在“操作电脑”。仓库里有 cua-bench，用于构造带评分器的 GUI 任务；也有 CUA-S1，研究更小、更窄的 Computer-Use 决策模型。也就是说，Cua 的目标不是只帮一个 Agent 点按钮，而是把运行、评测、训练数据和模型研究串起来。这个方向很重，也更接近接下来 Agent 基础设施真正要补的东西。

🏗️ 核心特性

跨平台 Cua Driver：把桌面操作做成 MCP 和 SDK 边界

libs/cua-driver 是仓库里最硬的一层。Rust CLI 支持 mcp、list-tools、describe、call、serve、status、sessions、history、permissions、skills 等子命令。Python 和 TypeScript SDK 通过 UniFFI 绑定同一套 Rust 运行时，不是各写一套桌面自动化逻辑。
```
pip install cua-driver
cua-driver list-tools
cua-driver describe get_desktop_state
cua-driver mcp
```
这里的重点不是命令多，而是 Driver 把 Agent 边界、应用 SDK 边界和 daemon 边界分开了。Agent 走 cua-driver mcp；应用可以直接导入 CuaDriver.create()；需要稳定权限身份的应用可以启动私有 daemon，再把 MCP 连接信息交给外部 Agent。

权限模式在启动期固定，降低 Agent 自我提权空间

Cua Driver 的源码里把权限模式分成 standard、bounded、unrestricted。危险模式必须通过 --dangerously-bypass-approvals 显式选择；能力清单走 --capability-manifest 和 --approve-capability-manifest。这些参数属于 serve 启动期配置，普通 MCP 连接不能拿一条工具调用去改。

模式	含义	工程边界
`standard`	默认模式，用于常规自动化	可通过受信任启动参数授予少量能力，例如 existing-profile
`bounded`	只允许清单中列出的工具和资源	需要能力清单，并在启动时确认清单已审核
`unrestricted`	跳过运行时批准提示	需要显式危险参数；适合一次性、隔离、可信环境

这不是 OS 级沙箱。它更像 Agent 面向工具层的控制平面。真正的隔离还要靠 VM、容器、云端 Fleet 或宿主机策略。

Sandbox/Fleet：给 Agent 分配一台可回收的电脑

cua-sandbox 提供 Python API，既能创建临时沙箱，也能连接已有沙箱。Fleet 是它的云端后端，适合把多台桌面放进池子里让任务领取。README 里还专门提醒：保留 warm capacity 会产生资源占用，退出 claim 不等于一定释放池容量。
```
from cua_sandbox import Sandbox, Image

async with Sandbox.ephemeral(
    Image.from_registry("registry.example/desktop-workspace@sha256:...")
) as sb:
    await sb.shell.run("uname -a")
    await sb.screenshot()
```
持久 claim 的写法也比较直接：
```
from cua_sandbox import Sandbox

sb = await Sandbox.create(
    pool="workspace",
    name="workflow-123",
    service="mcp",
    keep_alive_minutes=30,
)

reference = sb.to_dict()
await sb.disconnect()

sb = await Sandbox.from_dict(reference)
await sb.keep_alive(minutes=30)
await sb.close()
```
这类 API 对后台任务很关键。Agent 可以把“我在哪台机器上执行”变成一个可保存、可恢复的引用，而不是每次都从一台全新机器开始。
Lume：Apple Silicon 上的本地 macOS/Linux VM

Lume 用 Apple Virtualization.Framework 管理本地 VM。它的 README 示例展示了从 IPSW 创建 macOS Tahoe VM，并用 unattended preset 配好 lume 用户、SSH、自动登录、禁用睡眠等设置。
```
lume create macos-tahoe --ipsw ~/Downloads/macos-tahoe.ipsw --unattended tahoe
lume run macos-tahoe
```
这对 macOS 自动化尤其有意义。很多桌面 Agent 评测如果直接跑在开发者主机上，权限、登录状态、窗口焦点都会污染结果。Lume 的价值在于让 macOS 测试环境可复制，虽然它仍然受制于本机硬件、IPSW、系统权限和 Apple 虚拟化能力。
Cua Bench：把 GUI 任务变成可评分样本

cua-bench 是评测和数据生成层。源码中的 CLI 解析器提供 cb run task、cb run dataset、task、dataset、agent、trace 等命令；测试文档里把 simulated provider、worker server、runner、action parser 分开测。
```
uv tool install 'cua-bench[browser]'
uv tool run --from 'cua-bench[browser]' playwright install chromium
cb run task ./tasks/click-button --oracle --wait
cb run dataset ./datasets/cua-bench-basic --max-parallel 4 --oracle --wait
```
更重要的是它的任务结构：环境启动、动作执行、评估函数是分开的。一个简单按钮任务可以先验证 evaluate() 返回 0，再运行参考解法，最后要求评分变成 1.0。这比“模型最后说成功了”可靠得多。
CUA-S1：小模型只做窄决策，不冒充通用 Agent

CUA-S1 目前是早期研究组件。README 写得很克制：源码包含 Python 模型、合成数据、训练、评估和可选 Driver 集成；不包含或自动下载权重、数据集、demo 二进制和录屏；当前 source-only release 不建立 checkpoint 性能结论。

这点值得保留。Computer-Use 里很多子问题并不需要一个完整大模型每步都长链路推理，例如表单字段映射、候选动作打分、是否 abstain。Cua-S1 把这类任务单独拿出来做“小而窄”的模型研究，方向合理，但当前还不能当作成熟可用的通用电脑操作模型。

🔬 技术架构深度解析

1. 数据平面与控制平面

Cua 的架构可以拆成两条线。数据平面负责真实环境和 UI 状态，控制平面负责身份、会话、权限和工具调用。

开发者/Agent
   │
   ├─ MCP: cua-driver mcp
   │      │
   │      ├─ JSON-RPC / MCP tools
   │      └─ skill/resource 读取
   │
   ├─ SDK: Python / TypeScript / Rust UniFFI
   │      │
   │      └─ CuaDriver.create() 或 connect(socket)
   │
   └─ CLI: cua / cb / lume / cua-driver
          │
          ▼
┌────────────────────────────────────────────┐
│ Cua Driver / Sandbox / Bench control plane │
├────────────────────────────────────────────┤
│ session     权限模式     daemon/socket      │
│ tool schema 能力清单     telemetry/update   │
└────────────────────────────────────────────┘
          │
          ▼
┌────────────────────────────────────────────┐
│ execution plane                             │
├────────────────────────────────────────────┤
│ 本机桌面  本地 VM  云端 Fleet  容器/模拟环境 │
│ macOS AX/ScreenCaptureKit                  │
│ Windows UIA / WebView2                     │
│ Linux X11/Wayland/AT-SPI                   │
└────────────────────────────────────────────┘

这个拆法会带来一个现实取舍：同一套公开 API 后面并不是同一种执行环境。Linux 容器、macOS VM、Windows 桌面、浏览器模拟任务的能力不同，失败模式也不同。报告里如果只写“跨平台自动化”，就会掩盖最关键的工程成本。

2. Driver 的调用路径

cua-driver 的源码把 CLI、MCP、daemon、SDK 放进同一个 Rust workspace。Agent 常用路径大概是这样：

Agent
  │  MCP stdio
  ▼
cua-driver mcp
  │
  ├─ macOS 默认走 app daemon，保留 TCC 归属
  ├─ Linux/Windows 可由 stdio 进程直接拥有 runtime
  └─ --socket 可接已有 daemon
        │
        ▼
CuaDriver runtime
  │
  ├─ session 管理：隐式/显式会话、idle、撤销
  ├─ tool schema：list/describe/call
  ├─ permission mode：standard/bounded/unrestricted
  └─ platform backend：macOS / Windows / Linux
        │
        ▼
窗口状态、截图、元素 token、鼠标键盘动作、结果验证

源码里一个细节很重要：mcp 的 --direct 和 --socket 互斥；在 macOS 上普通 stdio MCP 默认不直接拥有 runtime，而是尽量保留 app daemon 的 TCC 权限归属。这个设计看起来繁琐，但 macOS 桌面自动化绕不开。谁拥有 Accessibility 和 Screen Recording 授权，决定了实际能不能操作窗口。

3. Sandbox/Fleet 的生命周期

Cua Sandbox 更像“电脑资源调度器”，而不是单纯的 docker run 封装。它要解决的是：创建环境、暴露服务、执行命令、截图、保持 claim、恢复 claim、释放 claim。

Image / Pool / Template
      │
      ▼
Pool.apply(...)  ──► warm capacity / autoscaling
      │
      ▼
pool.claim(name="job-123", service="mcp")
      │
      ├─ shell.run(...)
      ├─ screenshot()
      ├─ driver.connect(...)
      ├─ tunnel / signed URL
      └─ to_dict() / from_dict()
      │
      ▼
close / disconnect / destroy

这里有三个边界要讲清楚：

边界	说明
`disconnect()`	断开当前 SDK 连接，不等于删除远端环境
`close()`	释放 claim，通常用于把占用还给池子
`destroy()`	删除沙箱资源，属于更强的生命周期动作

这也是 Agent 系统经常出事故的地方。一个任务结束了，shell 断了，不代表云端桌面真的删了；claim 释放了，也不代表 warm pool 容量没有成本。

4. Bench 的任务管线

cua-bench 的价值在于把 GUI 任务拆成可运行、可评分的结构。源码测试里能看到按钮点击、下拉选择、滑块、表格单元格、KiCad 等任务目录。它不是只收集轨迹，而是要求环境和评估函数给出可验证结果。

task package
  │
  ├─ environment: 启动页面/应用/服务
  ├─ observe: 获取屏幕、DOM、窗口状态
  ├─ action: click/type/scroll/drag/structured action
  ├─ oracle: 参考解法或人工轨迹
  └─ evaluate: 返回 reward / success 标记
        │
        ▼
run task / run dataset
        │
        ├─ 单任务调试
        ├─ 数据集并行
        ├─ agent 评测
        └─ trajectory 导出

如果要训练 Computer-Use 模型，这层会比 Driver 更重要。Driver 解决“怎么做动作”；Bench 解决“动作做得对不对”。没有后者，Agent 很容易变成看起来很忙，但结果不可复现。

5. 工程规模与可验证证据

我用浅克隆做了一个不依赖 GitHub API 的源码统计，并把文件列表写到本地再解析，避免命令行输出截断影响文件计数。结果如下：

指标	数值	解释
跟踪文件	4,936	使用 `git ls-files -z` 写入文件后解析
测试相关文件	768	按路径段和文件名规则粗略识别
Python 文件	995	主要在 `libs/python`、`libs/cua-bench`
Rust 文件	482	主要在 `libs/cua-driver`、`libs/fleet`
Go 文件	224	Fleet/后端相关占比较高
TypeScript 文件	201	SDK、文档站、前端控制面
Swift 文件	144	macOS/Lume/平台适配相关
物理代码行粗计	约 970,259	含 HTML、样例、生成绑定和资产，不等同手写核心代码

Top-level 模块分布也能说明它不是一个薄包装：

路径	文件数	主要含义
`libs/python`	1,052	Python SDK、Agent、Sandbox、CLI 基础包
`libs/cua-bench`	1,005	GUI 任务、数据集、runner、worker、测试
`libs/cua-driver`	915	Rust Driver、Python/TS 绑定、跨平台 GUI 测试
`libs/fleet`	618	Fleet SDK、服务端/客户端绑定、上传和资源控制
`docs/content`	175	产品文档和教程
`libs/typescript`	174	TypeScript SDK 与前端包
`libs/lume`	167	本地 VM 管理

需要提醒的是，代码量大不自动等于成熟。这个仓库包含不少生成文件、fixture、文档和研究组件。真正评估它时，应该看每个子系统的测试、版本和运行边界，而不是只看总行数。

6. 测试矩阵透露出的成熟度

libs/cua-driver/docs/test-matrix.md 里把测试分成两类：不依赖真实桌面的确定性协议测试，以及会启动 repo-local 应用的 harness E2E 测试。E2E 维度包括 OS、窗口系统、应用 harness、动作寻址方式、前台/后台投递、窗口/桌面作用域和外部 oracle。

平台	典型后端	证据边界
macOS	AX、ScreenCaptureKit、AppKit、SwiftUI、WKWebView	依赖正确 TCC 授权和可登录桌面环境
Windows	UIA、WPF、WinUI3、WebView2	原生控件、窗口发现、桌面作用域需要分别验证
Linux	X11、Wayland、AT-SPI、GTK3、Electron、Tauri	X11/Wayland 行为不同，不能混为一个 Linux 结果
Browser/simulated	Playwright、DOM、worker API	适合稳定评测，但不能代表任意原生桌面应用

这也是 Cua 比普通 Demo 更值得看的地方：它在源码文档里承认了这些差异，而不是用一个统一的“跨平台支持”把问题盖住。

📖 README 核心内容摘要

README 把 Cua 分成五条路径：Cua Fleets、CUA-S1、Cua Driver、Lume、Cua Bench。这个组织方式有点像产品导航，但每一块在源码里都有对应目录。

Cua Fleets

Fleets 提供云端隔离桌面。开发者先保有一个 Fleet 或 pool，再 claim 一台桌面给任务使用。Sandbox SDK 能执行命令、截图、连接服务，也能把 claim 转成可保存引用。这个功能适合后台 Agent、批量评测、数据生成，以及不想把 Agent 放在开发者主机上乱点的场景。

Cua Driver

Driver 是给 Agent 和应用使用的桌面操作层。它支持 MCP stdio，也支持 Python/TypeScript SDK。README 明确写了一个重要边界：语言 SDK 是给 client application 用的，不是给 Agent 再套一层语言原生 MCP facade；Agent 应该直接连接 cua-driver mcp。

claude mcp add --transport stdio cua-driver -- cua-driver mcp

如果要兼容 Claude Code 的 computer-use 风格截图路径，README 给了另一个注册方式：

claude mcp add --transport stdio cua-computer-use -- cua-driver mcp --claude-code-computer-use-compat

但源码帮助文本也写明，目前 compat screenshot tool 已在相关变更中移除，flag 更多是保留未来 wiring。发布文章时不能把它写成现成增强能力。

CUA-S1

CUA-S1 是研究组件。它把“表单类界面任务”作为第一个窄场景，用结构化界面元素和文档值做评分决策。README 反复强调它不是通用助手，也不是可靠性能的证明。这个边界很重要：源码开放不等于模型权重、数据集和 benchmark 结论都开放。

Lume

Lume 是本地 VM 层，主要面向 Apple Silicon 上的 macOS/Linux VM。它用 Apple Virtualization.Framework 创建虚拟机，支持 unattended preset。README 还说明遥测默认开启，但只记录伪匿名安装、release、命令和 API 事件元数据，不收集 prompt、VM 名、文件路径、命令参数或 VM 内容。

Cua Bench

Cua Bench 面向评测和训练数据。它提供环境接口、worker、benchmark runner 和任务数据集。README 里给出了核心测试命令：

uv run --with pytest pytest cua_bench/tests/ -v
uv run python -m cua_bench.scripts.benchmark_workers --num_workers 16 --num_steps 10

我更看重第一条：它说明项目把 gym interface、worker client/server、runner、actions parser 拆开测。第二条是 worker 吞吐测量脚本，不应该被解读成官方固定性能承诺。

🚀 快速上手

下面给一个低风险路径：先只安装 CLI/Driver，确认本机能看到工具面，再决定是否创建本地或云端沙箱。云端 Fleets 需要登录和资源清理，这里不把它写成无成本的一键体验。

1. 安装 Cua CLI 和 Driver

pip install --extra-index-url https://wheels.cua.ai/simple cua-cli
pip install cua-driver

2. 查看 Driver 工具面

cua-driver --help
cua-driver list-tools
cua-driver describe get_desktop_state

这些命令来自 cua-driver Rust CLI parser。list-tools 和 describe 属于只读检查，适合先确认安装是否正确。

3. 作为 MCP 接入 Agent

claude mcp add --transport stdio cua-driver -- cua-driver mcp

接入后，Agent 能通过 MCP 使用 Driver 暴露的工具。实际能否截图和操作，取决于操作系统权限、Driver daemon 归属、目标窗口和 permission mode。macOS 上尤其要按官方安装流程授予 Accessibility 和 Screen Recording，不要把普通终端进程当成稳定权限主体。

4. 创建云端或本地沙箱

Cua CLI 当前的 sandbox parser 支持 launch、ls/list、info/get、start、stop、restart、delete、exec 等子命令。一个典型启动命令如下：

cua auth login
cua sb launch ubuntu:24.04 --name agent-lab --cpu 4 --memory 8GB --disk 50GB
cua sb exec agent-lab -- uname -a
cua sb delete agent-lab --force

这里的关键不是命令本身，而是生命周期。测试完要删除或释放资源；如果使用 pool 或 keep-alive，要单独确认容量是否仍在占用。

5. 用 Python SDK 创建临时环境

import asyncio
from cua_sandbox import Sandbox, Image

async def main():
    async with Sandbox.ephemeral(
        Image.from_registry("registry.example/desktop-workspace@sha256:...")
    ) as sb:
        result = await sb.shell.run("uname -a")
        print(result)
        await sb.screenshot()

asyncio.run(main())

这个示例来自 cua-sandbox README 的 API 形态。实际运行要换成你有权限访问的镜像；云端镜像、Fleet 凭证和服务端口都需要按官方文档配置。

6. 跑一个 Cua Bench 任务

uv tool install 'cua-bench[browser]'
uv tool run --from 'cua-bench[browser]' playwright install chromium
cb run task ./tasks/click-button --oracle --wait

cb run task、--oracle、--wait 在 cua-bench CLI parser 中存在。任务路径需要换成实际任务目录。第一次建议先跑 oracle，而不是直接接模型；这样可以先验证环境和评分器没问题。

📊 增长速度与社区热度

Cua 在 2026-09-20 的 Trending 排名是第 2。采集快照记录 Stars 24,742、Forks 1,697；GitHub Trending 页面稍后同日显示 24,746 Stars、859 stars today。由于两次采样时间不同，4 个 Star 的差异只能看作同日报告期间的观察差，不应该当作完整日增长。

按创建时间 2025-01-31 到本次快照粗算，Cua 的生命周期平均增长约 41.5 Stars/天。这个数只是长期基线；Trending 当日的 859 stars today 说明它处在明显的事件驱动增长阶段。

社区侧也能看出项目热度高但负载不轻：GitHub open_issues_count 为 1,033；Search API 同期拆分为约 513 个 open issues 和 520 个 open PRs。这个 PR 数很高，说明仓库活跃，也意味着维护者需要持续处理合并、版本和文档漂移。

指标	数值	说明
Trending 排名	#2	2026-09-20 快照
Stars	24,742	采集快照
Forks	1,697	采集快照
当日 Trending 增量	859 stars today	GitHub Trending 页面同日报告期间读取
生命周期平均	约 41.5 Stars/天	从创建日到快照日粗算
Open Issues	约 513	Search API 拆分值
Open PRs	约 520	Search API 拆分值
最近 push	2026-09-20 02:14:05 UTC	采集快照

完整 Trending 榜单如下，排名直接按页面顺序生成：

Rank	Repository	Language	Stars	Forks	Today
1	cloudflare/security-audit-skill	JavaScript	17,035	936	3,155
2	trycua/cua	HTML	24,746	1,697	859
3	addyosmani/agent-skills	JavaScript	97,278	10,263	556
4	coder/coder	Go	15,737	1,527	402
5	anthropics/claude-code	TypeScript	146,840	23,982	483
6	Open-Dev-Society/OpenStock	TypeScript	16,335	2,104	472
7	higgsfield-ai/higgsfield	Jupyter Notebook	5,076	926	196
8	docling-project/docling	Python	67,277	4,843	129
9	cloudflare/quiche	Rust	12,099	1,123	31
10	asciimoo/hister	Go	5,341	224	420
11	ruanyf/weekly	未标注	103,484	4,431	98
12	ZuodaoTech/everyone-can-use-english	TypeScript	38,028	5,219	48
13	anthropics/knowledge-work-plugins	Python	25,204	3,002	281
14	cactus-compute/needle	Python	11,740	752	234
15	yynxxxxx/Codex-X	Rust	3,499	452	32

🎯 适用场景

场景	适合程度	原因
给 Coding Agent 接一个真实桌面	高	MCP 和 Driver 边界清楚，适合把 GUI 操作作为工具暴露
批量跑 GUI 任务评测	高	Cua Bench 提供任务、runner、worker 和评分接口
云端隔离桌面给 Agent 使用	高	Fleet/Sandbox 支持 claim、pool、服务暴露和生命周期管理
本地 macOS 自动化实验	中高	Lume 能创建本地 VM，但依赖 Apple Silicon、IPSW 和权限配置
训练 Computer-Use 专用模型	中高	有数据生成和评测方向，但 CUA-S1 仍是早期研究组件
企业生产环境接管桌面流程	中	工程边界不错，但要自建权限、审计、隔离、凭证和资源回收策略
想找一个轻量点击脚本	低	Cua 工程栈偏重，简单 RPA 场景可能过度设计
想直接得到通用电脑操作模型	低	仓库提供基础设施和研究组件，不等于给出成熟通用模型能力

💡 总结

Cua 最值得看的地方不是“AI 会操作电脑”这个表层卖点，而是它认真处理了 Computer-Use 的工程问题：环境从哪里来、动作由谁执行、权限在哪里固定、桌面状态怎么验证、任务怎么评分、数据怎么生成。

它也不是没有风险。仓库很大，版本面很多，README、源码、PyPI、npm、Rust crate、云端服务之间都可能出现漂移。Fleet 云端路径还涉及账号、费用和资源回收；Driver 的权限模式也不能替代 OS 级沙箱。把它接进生产前，应该先固定版本、跑最小任务、验证资源清理，再逐步扩大权限。

我的判断是：如果你关注 Agent 基础设施，Cua 比普通桌面自动化项目更值得跟。它把“给 Agent 一台电脑”这件事拆成了可以工程化验证的几层。虽然还很重，也还在快速变化，但方向对。