UFOは、Windowsオペレーティングシステムとの対話のためのUIに焦点を当てたデュアルエージェントフレームワークです。自然言語理解を用いてユーザーの要求を解釈し、1つまたは複数のアプリケーションをシームレスに操作して、それらの要求を実行します。このフレームワークは、AppAgentとActAgentという2つのエージェントで構成されています。AppAgentは、ユーザーの要求に基づいてアプリケーションを選択します。ActAgentは、タスクが完了するまで、選択されたアプリケーション内で操作を繰り返し実行します。両エージェントとも、GPT-Visionのマルチモーダル機能を利用してアプリケーションのUIを理解し、ユーザーの要求に応えます。