Self-Operating ComputerAtvira kūno programa, kuria valdo kompiuteris ekrano matymu ir mėlyno klaviatūros/klaviatūros valdymu,

4.7 (6)

Apžvelgė Daniel Nikulshyn·Atnaujinta 2026 m. gegužė

Open Source AI Agent Computer Use Desktop Automation Multimodal AI Developer Tools Research

Apžvalga

Savaaktyvi kompiuteris yra atviro kodo frameworkas, leidžiantis multimodaliam ai modeliams valdyti desktopą, taip pat kaip ir žmogus. Jis aptinka ekrano nuotraukas, aiškinia interface, taikosi mygtukų bei klaviaturos žymiu ir vykdo naudotojo apibrėžtas uždavinius bet kokio programos sritis. Šio projekto palaikomi daugybės pagrindinių modelių, įskaitant GPT-4 su vaizdu, Gemini, Claude bei LLaVA, leidžiant naudotojams pasirinkti tarp cloudy ir lokalūs variantų. Dėl to, kad įsikęs visiškai naudojantis žiūrimaisis, o ne per API protokolo priemonės, tas gali teoretiskai veikti bet koks programos, kuri kuria žmogus, nuo naršyklės iki nativaus programinės įrangos. Ši technologija daugiausia skirta programinėms priemonėms kūrėjams ir mokslininkams, kurie tyrinėja autonominius agentus, kompiuterio vartojimo AI modelius ir darbo sritys mechanizavimą. Instaliacija vykdoma per komandinę eilinės, o užduotys aprašomos natūraliojo kalbos įspaudų pagalba.

Pagrindinės funkcijos

Priklausomų ekrano ekranų supratimas per ekranų aprašymą
Automatizuoja mėlyno klaviatūros ir klaviatūros valdymą
Maišo modelio parama (GPT-4, Gemini, Claude, LLaVA)
Praktiškas priemonės priklausymas nuo žodžių pateikimo
Kreivos platformos kompatybė su desktopu
Atviras, plati kodinė bazė

Kainos

Modelis: Freemium
Kategorija: Task automation
Įvertinimas: 4.7 / 5 (6)

Naudojimo atvejai

Prototipinis autonominis kompiuterio žmogaus panaudojimo agentas

Tyrininkai ir programuotojai gali eksperimentuoti naudojantis vieno kanalo matymo AI agentais, jie gali peržiūrėti ekraną ir valdyti mėlyno klaviatūros ir klaviatūros įvestis, vykdydami naudotojui nusistatytas desktop užduotis.

Automatiškai perkelbė kruopščias

Vedė nuo natural language priemonių valdyti sekuencijas naršyklėse ir nativųose programose, kad pagalba įranga valdo jokią matomą programą.

Bendruoti daug kanalių modelius UI ugdymui

Priskirkti GPT-4 su matymo funkcija, Gemini, Claude, ir Gemini, palyginti matomų ekranų kontrole, kad išbandys, kokias yra tikslumus, greitį ir kainų savitarnų

Prideti atvirąs agentų programa

Ženklas ir pakeisti kodu, kad prisidėtų nauji modeliai , tiesiogiai ar taikymų strategijas su jokiu kuo, kiekvieną naują autonomųjį agentą pagrindiniame veikiantiame programoje

Privalumai ir trūkumai

Privalumai

Atvirojo kodų, nemokamas prieiga
Veikia su daug kanalių matymo modeliais
Valdo jokią matomą programą, ne tik internetinio
Naudingas agente tyrimų ir eksperimentų pagrindas

Trūkumai

Toks, kad taikytas modelio tikslumas priklauso nuo nusistatytų priemonių
Turi būti sukauptas prieiga į terminalo interfeisą
Gali būti lėtas ir padaryti UI klaidas
API naudojimo išlaidos gali pridoti ilgai vykdyti užduočių

Atsiliepimai

4.7

Vidurkis iš 6 įvertinimų.

Prisijunk, kad paliktum atsiliepimą.

Victor Nguyen

May 25, 2026

Does the job

Pretty happy overall. Cross-platform desktop compatibility just works and controls any visible application, not just web. but no dealbreakers — I'd recommend it to a friend without hesitating.

Nadia Petrova

Feb 23, 2026

Years in this space

I've evaluated a lot of these over the years. What stands out here is cross-platform desktop compatibility — handled better than most — and free and open source. Worth the time if this is your use case.

Gunnar Eriksson

Jan 9, 2026

Compared a few options

Evaluated this against two competitors. Where it wins: cross-platform desktop compatibility and works with multiple vision-capable LLMs. Where it lags: requires technical setup via terminal. On balance the feature set — especially automated mouse and keyboard control — justifies the 5 stars for our use case.

Leila Hassan

Nov 11, 2025

Skeptical, then convinced

I went in skeptical — most tools in this space overpromise. It actually delivers on automated mouse and keyboard control, and controls any visible application, not just web caught me off guard. Can be slow and make UI mistakes is why this isn't a perfect score, still, I'd recommend giving it a real trial.

Joanna Kowalski

Jul 30, 2025

Years in this space

I've evaluated a lot of these over the years. What stands out here is open-source, extensible codebase — handled better than most — and useful base for agent research and experimentation. Can be slow and make UI mistakes is my one real gripe. Worth the time if this is your use case.

Devin Walker

Jun 25, 2025

Does the job

Pretty happy overall. Automated mouse and keyboard control just works and controls any visible application, not just web. Can be slow and make UI mistakes can be annoying, but no dealbreakers — I'd recommend it to a friend without hesitating.