Sẵn sàng cho agent — đây là runtime chúng tôi đang thiết kế.

Một agent chỉ sống bên trong headless browser không thể mở Final Cut, không thể kéo một tệp video từ Finder vào công cụ sáng tạo, không thể ký một PDF trong Preview, không thể chạy trình cài đặt .dmg hay .exe, không thể cấp quyền ghi màn hình cho một ứng dụng khác, không thể chọn tệp bằng bộ chọn tệp của hệ thống, và không thể trụ được trước một hộp thoại modal bất ngờ từ hệ điều hành. Đó lại chính là những khoảnh khắc mà phần lớn quy trình thực tế diễn ra — và là nơi agent chạy trên headless browser lặng lẽ thất bại.

Các container ảo hoá (mô hình "agent computer" của các phòng lab lớn) khắc phục được vài lỗ hổng đó, nhưng lại tạo ra lỗ hổng riêng. Image thường là một desktop Linux tối giản với vài ứng dụng cài sẵn; mọi thứ nằm ngoài phạm vi đó đều không với tới được. Container không có sự liên tục nào với công việc thực tế của người dùng — các ứng dụng họ đã cài, các tài khoản họ đã đăng nhập, các tệp họ đã lưu, các quyền họ đã cấp. Mỗi lần agent chạy đều bắt đầu từ một cỗ máy trắng tinh không phải máy của người dùng.

Thiết kế của Remio đi theo hướng khác. Một agent kết nối qua runtime chúng tôi đang xây sẽ nhận được desktop thật của người dùng — đúng chiếc Mac, PC, hay máy Linux mà người dùng làm việc trên đó — qua chính phiên remote desktop mà một con người đã dùng ngay hôm nay. Mọi ứng dụng người dùng đã cài sẽ có ở đó. Mọi tài khoản người dùng đã đăng nhập sẽ có ở đó. Mọi tệp sẽ có ở đó. Agent sẽ không phải là người thuê trong một môi trường tổng hợp; nó sẽ là khách trên đúng máy trạm của người dùng, trong đúng khoảng thời gian người dùng cho phép nó vào — không hơn một khoảnh khắc nào.

Cái đang ra mắt hôm nay là luồng trực tiếp: màn hình của host, được chụp liên tục, mã hoá bằng phần cứng, và gửi qua chính kênh mã hoá mà một client con người đã dùng. Một agent runtime sẽ tái sử dụng đúng đường ống đó cho các bản chụp tĩnh của riêng nó — một khung đơn theo yêu cầu, hoặc chỉ vùng mà model đã biết cần nhìn vào — thay vì dựng một đường chụp riêng thứ hai. Việc tái sử dụng đó là một lựa chọn thiết kế chúng tôi đã chốt, không phải một tuyên bố về những gì đang tồn tại hôm nay.

Với các agent suy luận tốt hơn trên văn bản thay vì pixel, thiết kế phác thảo một chế độ transcript: văn bản trên màn hình trả về kèm khung bao, được tạo bằng OCR native của nền tảng (Vision framework trên macOS, Windows OCR API trên Windows) thay vì một model thị giác trong vòng lặp. Chưa có gì trong số này được xây dựng. Nó nằm trong danh sách vì nó sẽ giúp agent biến một kết quả khớp văn bản thành một cú click chính xác mà không cần gửi dù chỉ một khung nào tới model của nó — một lợi ích hiệu quả thật sự, nếu chúng tôi xây tốt.

Để truy cập có cấu trúc với độ trung thực cao nhất, thiết kế cũng phác thảo một bản đọc cây accessibility của hệ điều hành cho cửa sổ đang focus — chính cây mà một trình đọc màn hình duyệt qua: một cây phân cấp có nhãn gồm các nút, trường văn bản, menu và vai trò. Cái này cũng chưa tồn tại. Và trong mọi phiên bản chúng tôi đang phác thảo, quy tắc từ đường ống nhập liệu vẫn được giữ nguyên: một phiên agent sẽ thấy đúng những gì quyền ghi màn hình của host đã cho phép một phiên con người thấy, không hơn. Nếu quyền đó bị tắt cho một màn hình, agent sẽ không nhận lại được gì từ màn hình đó — giống hệt một client con người hôm nay.

Mọi phiên Remio — con người hay agent — sẽ bắt đầu theo cùng một cách: một con người đọc mã 6 chữ số trên màn hình của host và nhập nó vào client. Không có thiết kế nào đang được cân nhắc cho phép một agent tự tạo phiên của nó, giữ một token có thể âm thầm làm mới, hay kéo dài quyền truy cập quá khoảnh khắc con người đã ghép phiên quyết định kết thúc nó. Lần chạy agent tiếp theo sẽ cần con người ghép lại — một khoảnh khắc có con người trong vòng lặp mới, mỗi lần, theo chủ ý thiết kế.

Trong lúc một phiên agent đang hoạt động, cả host lẫn client sẽ hiện một indicator liên tục, không thể nhầm lẫn — và một nút Dừng kết thúc phiên ngay lập tức, bấm được bởi bất kỳ ai đang ngồi trước bàn phím host, không chỉ người đã khởi động nó. Mọi hành động agent thực hiện sẽ được ghi vào một audit log mà con người có thể xem lại. Chưa có gì trong số này tồn tại trong code đã ra mắt hôm nay; đó là ngưỡng mà thiết kế phải vượt qua.

Ranh giới quyền hạn cũng là câu chuyện y hệt phần nhập liệu và màn hình ở trên: một phiên agent sẽ kế thừa đúng các quyền cấp hệ điều hành mà một phiên con người đã tuân theo — Ghi màn hình, Accessibility — không rộng hơn. Nó sẽ không có quyền cấp nâng cao riêng, và sẽ không có cách nào nới rộng phạm vi mà con người đã đặt sẵn cho ứng dụng Remio. Nếu một năng lực chúng tôi đang thiết kế không vừa trong ranh giới đó, nó sẽ không được đưa vào sản phẩm.

Hình dạng chúng tôi cứ quay về là cố ý nhỏ gọn: vài nguyên thuỷ cho nhập liệu (một click, một phím), vài cái cho thị giác (một khung tĩnh, một vùng), một cho một bản đọc giao diện có cấu trúc. Đó là bản phác thảo, không phải spec — chưa có gì trong số đó ra mắt, và giao diện chính xác vẫn còn để ngỏ. Điều chúng tôi cam kết bây giờ là hình dạng, không phải cú pháp.

Không phụ thuộc model là một yêu cầu thiết kế, không phải một khát vọng để tính sau. Bất cứ thứ gì ra mắt sẽ hoạt động theo cùng một cách dù model lập kế hoạch cho quy trình là Claude, GPT, Gemini, hay một model bạn tự chạy. Chúng tôi không xây cái này xoay quanh định dạng gọi công cụ của riêng một nhà cung cấp, vì ngay khoảnh khắc khoá runtime vào giao diện của một model, chúng tôi đã đưa ra một lời hứa sai kiểu.

Môi trường chạy desktop và môi trường chạy của bản thân agent là hai thứ khác nhau, và chúng tôi định giữ nó như vậy. Remio sẽ là thứ đưa hành động của agent lên một desktop thật; model, vòng lặp lập kế hoạch, và nơi nó chạy sẽ hoàn toàn thuộc về người xây agent. Chúng tôi không có kế hoạch tự host, tính phí theo lượt dùng, hay chắn quyền truy cập model.

Nếu agent của bạn chỉ cần một trình duyệt web — cào trang, điền form, đọc dashboard — hãy dùng headless browser. Playwright hay Puppeteer điều khiển Chromium nhanh hơn, rẻ hơn, xác định hơn và dễ mở rộng hơn so với việc chạy nguyên một phiên remote desktop chỉ vì một tab trình duyệt. Hướng headless thống trị nhóm này, và Remio không cố cạnh tranh ở đó.

Nếu agent của bạn cần dựng lên hàng chục môi trường dùng một lần — mỗi tác vụ một cái, trạng thái mới tinh mỗi lần, chạy song song — hãy dùng container. Docker, Firecracker, hoặc một trong các sản phẩm "agent computer" của các phòng lab AI cho bạn những desktop Linux tạm thời có thể trải rộng ở quy mô lớn. Remio được xây quanh một phiên do con người ghép mang tính bền vững, tức là hình dạng ngược lại: đồng thời thấp, liên tục cao, ngữ cảnh người dùng thật.

Nếu chúng tôi xây Agent Runtime đúng như trang này mô tả, nó sẽ là câu trả lời đúng khi agent cần một desktop hệ điều hành thật với các ứng dụng native, đúng phần mềm người dùng đã cài, các tài khoản và tệp thật của người dùng, và một ranh giới phiên có con người trong vòng lặp. Các agent hỗ trợ tiếp cận (accessibility) điều khiển desktop cho người dùng khuyết tật. QA có AI hỗ trợ trên các ứng dụng hệ điều hành thật. Các quy trình agentic buộc phải dùng một công cụ native cụ thể mà người dùng đã sở hữu. Bất kỳ tác vụ nào mà "dùng chính máy của tôi, với mọi thứ trên đó, trong khi tôi giám sát" là cách diễn đạt tự nhiên. Với những trường hợp đó, một khi ra mắt, Remio sẽ là môi trường chạy; với mọi thứ khác, hãy chọn công cụ nhẹ hơn ngay hôm nay.