ASIL：用结构化状态与语义动作取代截图点击

强大的代码智能体能执行脚本、调用工具和管理文件，但许多重要应用仍主要只能通过图形用户界面访问。我们认为，对软件操作智能体而言，截图加点击是一种低效接口：截图状态不完整，GUI动作脆弱、语义贫弱，且与长程规划不匹配。我们提出ASIL（Agent-Software Interaction Layer），一种智能体原生接口，通过结构化JSON观察和可代码执行的语义动作暴露软件，并为每个应用采用可行的最深访问路径来实现。我们在15个应用以及包含300个单应用任务和80个多应用任务的基准上实例化ASIL。ASIL在闭源模型下达到80分以上，同时每个任务执行的动作少于五个。在修复的运行时和50步截图预算下，同样的任务在截图点击对照下分别取得6.6和26.6的严格成功率，在更易的与OSWorld可比的档位上提升到15.0和53.3。在匹配任务上与应用原生接口对比，ASIL超过LibreOffice的UNO API 28-38个严格分点，但仅与draw.io的MCP内容契约持平。这种结构化模态也适合训练：小规模SFT将Qwen3.5-2B从58.0提升到72.1、Qwen3.5-9B从66.6提升到80.4，资源受限的on-policy RL进一步将两者提升到74.4和82.2。