Self-Operating ComputerAtvērta pirmkoda AI aģents, kas darbojas jūsu datorā ar ekrāna redzamību un peles / tastatūras kontroli.

4.7 (6)

Pārskatījis Daniel Nikulshyn·Atjaunināts 2026. g. maijs

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

Pārskats

Self-Operating Computer ir atvērta pirmkoda sistēma, kas ļauj daudzmodalajiem AI modeļiem kontrolēt darbvirsmu tāpat kā cilvēks. Tā uztver ekrānuzņēmumus, interpretē saskarni un veic peles klikšķus un tastatūras ievades, lai veiktu lietotāja noteiktas darbības jebkurā lietojumprogrammā. Projekts atbalsta vairākus pamatmodeļus, tostarp GPT-4 ar redzamību, Gemini, Claude un LLaVA, ļaujot lietotājiem izvēlēties starp mākoņa un vietējiem variantiem. Tā kā tā darbojas vizuāli, nevis caur API, tā var teorētiski darbināt jebkuru programmu, ko cilvēks var izmantot, sākot no pārlūkprogrammām līdz vietējām programmatūrām. Tas ir galvenokārt paredzēts izstrādātājiem un pētniekiem, kuri pēta autonomos aģentus, datoru izmantošanas AI un darbplūsmas automatizāciju. Iestatīšana tiek veikta caur komandrindu, un uzdevumi tiek aprakstīti dabiskās valodas uzvednēs.

Galvenās funkcijas

Ekrānuzņēmumu pamatā esoša ekrāna izpratne
Automātiska peles un tastatūras kontrole
Daudzmodeļu atbalsts (GPT-4, Gemini, Claude, LLaVA)
Dabiskās valodas uzdevumu uzvednes
Daudzplatformu darbvirsmas saderība
Atvērta pirmkoda, paplašināma kodbase

Cenas

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

Lietošanas gadījumi

Prototipu autonomie datora lietošanas aģenti

Pētnieki un izstrādātāji var eksperimentēt ar redzamības balstītiem AI aģentiem, kas uztver ekrānu un kontrolē peli un tastatūru, lai izpildītu lietotāja noteiktas darbvirsmas uzdevumus.

Automātizējiet lietojumprogrammu darbplūsmas

Izmantojiet dabiskās valodas uzvednes, lai vadītu secības pārlūkprogrammās un vietējās lietotnes, jo sistēma darbojas jebkurā programmā vizuāli, nevis paļaujoties uz API.

Salīdziniet daudzmodālo modeļu veiktspēju UI uzdevumos

Salīdziniet GPT-4 ar redzamību, Gemini, Claude un LLaVA vienādos ekrāna kontroles uzdevumos, lai novērtētu precizitātes, ātruma un izmaksu kompromisus.

Paplašiniet atvērta pirmkoda aģenta sistēmu

Forkējiet un modificējiet kodbase, lai pievienotu jaunus modeļus, rīkus vai uzdevumu stratēģijas, veidojot pielāgotus autonomos aģentus uz funkcionējošas bāzes.

Plusi un mīnusi

Plusi

Bezmaksas un atvērta pirmkoda
Darbojas ar vairākiem redzamības spējīgiem LLM
Kontrolē jebkuru redzamu lietojumprogrammu, ne tikai tīmekli
Noderīga bāze aģentu pētījumiem un eksperimentiem

Mīnusi

Precizitāte lielā mērā ir atkarīga no izvēlētā modeļa
Prasa tehnisku iestatīšanu caur termināli
Var būt lēns un pieļaut UI kļūdas
API lietošanas izmaksas var pieaugt ilgiem uzdevumiem

Atsauksmes

4.7

Vidējais no 6 vērtējumiem.

Pieslēdzies, lai atstātu atsauksmi.

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.