UFO é uma estrutura de framework de agente duplo com foco na interface do usuário (UI) para interação com o sistema operacional Windows. Ele interpreta solicitações do usuário em linguagem natural e executa essas solicitações por meio de navegação e operação sem interrupções em um ou mais aplicativos. O framework inclui dois agentes: AppAgent e ActAgent. O AppAgent é responsável por selecionar o aplicativo com base na solicitação do usuário. O ActAgent é responsável por executar iterativamente as operações dentro do aplicativo selecionado até que a tarefa seja concluída com sucesso. Ambos utilizam os recursos multimodais do GPT-Vision para entender a IU do aplicativo e atender às solicitações do usuário.