Ein Linux-Rechner, gebaut für Agenten.
Jeder Bot in Xodra hat einen eigenen Computer. Darunter liegt kein exotisches Agenten-Betriebssystem, sondern ein schlankes Debian und ein eigener Steuerdienst in Rust. So haben wir ihn gebaut, und daran arbeiten wir.
Vier Schichten
Debian 12, schlank
Die Slim-Variante von bookworm. Kein Desktop-Paket, nur was ein Bot wirklich braucht.
Ein Bildschirm ohne Monitor
Xvfb zeichnet einen Bildschirm mit 1280 × 800 in den Speicher, Fluxbox verwaltet die Fenster.
Chromium
Der Browser für alles, wofür es keine Schnittstelle gibt. Dazu Python, git und curl im Terminal.
computerd in Rust
Ein kleiner Dienst im Rechner. Er macht Screenshots, klickt, tippt, führt Befehle aus, liest Dateien und gibt Webseiten als Text weiter.
Das ist nah an dem, was andere für Computer-Agenten bauen: ein minimales Linux, ein virtueller Bildschirm und ein Browser. Unser Teil ist computerd. Der Server spricht mit ihm über HTTP, jeder Aufruf braucht ein eigenes Token pro Rechner, und von außen ist er nur über den Xodra-Server erreichbar.
Ein Lauf mit Computer
- 1Der Entscheidungsschritt sagt, dass dieser Lauf den Computer braucht. Der Rechner startet parallel zum Modell.
- 2Auf Webseiten liest der Bot die Seite als Text mit nummerierten Elementen und klickt auf eine Nummer statt auf eine geschätzte Stelle.
- 3Wo das Aussehen zählt, sieht er einen Screenshot. computerd wartet nach jeder Eingabe, bis der Bildschirm ruhig ist, und schickt ein Bild nur, wenn sich etwas verändert hat.
- 4Wo Text reicht, nimmt der Bot die Shell oder liest Dateien direkt. Das ist schneller und billiger als ein Bild.
- 5Anmelden, Codes, Zahlungen: Hier bittet der Bot dich ans Steuer und wartet, bis du zurückgibst.
- 6Nach 15 Minuten ohne Nutzung stoppt der Rechner. Sein Home-Ordner bleibt und ist beim nächsten Mal wieder da.
Warum so
Der Container ist die Sandbox
Jeder Bot hat seinen eigenen Rechner mit festen Grenzen für Speicher, CPU und Prozesse und ohne Sonderrechte. Ein eigenes Netz trennt die Rechner voneinander und vom Server.
Lesen statt raten
Eine Seite als Text hat nur, was zählt: Text und was man bedienen kann. Der Bot klickt genau das Element, und Passwörter verlassen die Seite nie.
Text vor Klicks
Screenshots kosten viele Tokens. Shell und Dateien liefern Text. Der Bot klickt nur, wo es nicht anders geht.
Wenige Bilder im Kontext
Das Modell sieht nur die letzten drei bis fünf Screenshots. Ältere fallen gesammelt weg, damit der Anfang der Anfrage gleich bleibt und zwischengespeichert werden kann.
Du siehst live zu
Die Live-Ansicht zeigt dir den Rechner in der App. Du kannst jederzeit übernehmen, der Bot wartet so lange.
Ehrlich gesagt: was noch fehlt
- Computer-Agenten scheitern noch oft an Aufgaben, die Menschen leichtfallen. Deshalb kannst du übernehmen.
- Bittet der Bot dich ans Steuer, siehst du das nur im offenen Chat. Eine Benachrichtigung gibt es noch nicht.
- Auf dem Handy gibt es beim Übernehmen keine Bildschirmtastatur.
- Auf dem Mac kommt ⌘ im Rechner als Super an. Kürzel im Browser brauchen Strg.
- MCP-Server, die als Programm im Rechner laufen, kann der Bot noch nicht anbinden.
- Gemessen haben wir erst eine Aufgabe: Auf Wikipedia suchen, einen Artikel öffnen, eine Zahl finden. Mit der Seite als Text war der Bot nach fünf bis sieben Schritten in unter zehn Sekunden richtig, nur mit Screenshots nach fünfzehn Schritten ohne Antwort. Das ist ein Lauf, keine Studie.