视觉和多模态 AI 工具，用于图像理解、生成和多模态输入处理。
视觉和多模态工具让 AI 能处理图像、文档、屏幕和视频，而不只是文字。这个分类包括能看懂并操作桌面的 GUI Agent、从 PDF 和图片中提取文字与结构的文档智能库，以及把模型接入图像生成流程等视觉工具的集成。
要确认工具实际支持哪些模态、如何实现：有的依赖视觉语言模型，有的依赖 OCR 和版面分析。GUI Agent 会直接在你的屏幕上操作，要关注支持的操作系统和安全控制。文档提取类工具要用自己的文件测试，不同工具在表格和扫描件上的准确率差别很大。
为你的 MCP 服务、Docker 容器与智能体提供即开即用云服务器，新用户立享 $200 免费额度（60天有效）。
| 名称 | 简介 | 分类 | Stars | 许可证 | 更新 |
|---|
UI-TARS-desktop最受欢迎必备神器··· 视觉/多模态 ·UI-TARS Desktop 是一款基于 UI-TARS 模型，提供原生 GUI Agent 能力的桌面应用程序。 | UI-TARS Desktop 是一款基于 UI-TARS 模型，提供原生 GUI Agent 能力的桌面应用程序。 | 视觉/多模态 | ★ 39.4k | Apache-2.0 | 2026-10-09 |
Meshroom最受欢迎必备神器··· 视觉/多模态 ·Meshroom是一个开源的、基于节点的视觉编程框架，一个用于创建、管理和执行复杂数据处理管道的灵活工具箱。 | Meshroom是一个开源的、基于节点的视觉编程框架，一个用于创建、管理和执行复杂数据处理管道的灵活工具箱。 | 视觉/多模态 | ★ 13.0k | NOASSERTION | 2026-10-27 |
mcp-sequentialthinking-tools时下流行 视觉/多模态 ·一个MCP序贯思维服务器的改编版，旨在引导工具在解决问题中的使用，通过分解复杂问题并推荐每个阶段最有效的MCP工具。 | 一个MCP序贯思维服务器的改编版，旨在引导工具在解决问题中的使用，通过分解复杂问题并推荐每个阶段最有效的MCP工具。 | 视觉/多模态 | ★ 586 | MIT | 2026-10-25 |
ComfyUI-CopilotComfyUIAI助手 视觉/多模态 ·ComfyUI-Copilot 是一个基于 ComfyUI 的智能 AIGC 助手，提供全面的工作流开发、调试和优化支持。 | ComfyUI-Copilot 是一个基于 ComfyUI 的智能 AIGC 助手，提供全面的工作流开发、调试和优化支持。 | 视觉/多模态 | ★ 5.6k | MIT | 2026-09-11 |
groundingLMM多模态人工智能计算机视觉 视觉/多模态 ·GLaMM是一个像素级接地的大型多模态模型，通过统一的接地对话生成任务，能够灵活处理图像和区域输入并提供视觉接地能力。 | GLaMM是一个像素级接地的大型多模态模型，通过统一的接地对话生成任务，能够灵活处理图像和区域输入并提供视觉接地能力。 | 视觉/多模态 | ★ 969 | Apache-2.0 | 2026-09-05 |
maro强化学习多智能体系统 视觉/多模态 ·MARO（多智能体资源优化）平台是一个强化学习即服务（RaaS）实例，用于解决现实世界的资源优化问题。 | MARO（多智能体资源优化）平台是一个强化学习即服务（RaaS）实例，用于解决现实世界的资源优化问题。 | 视觉/多模态 | ★ 928 | MIT | 2025-04-24 |
CodeFuse-muAgent智能体框架知识图谱 视觉/多模态 ·一个由LLM和事件知识图谱（EKG）驱动的创新智能体框架，协同多智能体、函数调用、代码解释器等技术。 | 一个由LLM和事件知识图谱（EKG）驱动的创新智能体框架，协同多智能体、函数调用、代码解释器等技术。 | 视觉/多模态 | ★ 777 | NOASSERTION | 2025-01-15 |
kreuzberg必备神器时下流行 视觉/多模态 ·一个能从57+种文件格式中提取文本和元数据，生成嵌入向量，并以原生速度进行后处理，无需GPU的高性能工具。 | 一个能从57+种文件格式中提取文本和元数据，生成嵌入向量，并以原生速度进行后处理，无需GPU的高性能工具。 | 视觉/多模态 | ★ 9.5k | MIT | 2026-10-27 |
PPTAgent时下流行 视觉/多模态 ·PPTAgent是一个基于AI的两阶段编辑智能体，能够从文档自动生成高质量演示文稿，兼顾内容、视觉和结构连贯性。 | PPTAgent是一个基于AI的两阶段编辑智能体，能够从文档自动生成高质量演示文稿，兼顾内容、视觉和结构连贯性。 | 视觉/多模态 | ★ 5.2k | MIT | 2026-10-26 |
Code2Video视频生成AI智能体 视觉/多模态 ·Code2Video是一个以代码为中心的教学视频生成新范式。 | Code2Video是一个以代码为中心的教学视频生成新范式。 | 视觉/多模态 | ★ 2.2k | MIT | 2026-08-24 |
virtualhome模拟具身智能 视觉/多模态 ·VirtualHome是一个交互式平台，通过程序模拟复杂的家庭活动，并提供丰富的环境交互。 | VirtualHome是一个交互式平台，通过程序模拟复杂的家庭活动，并提供丰富的环境交互。 | 视觉/多模态 | ★ 644 | MIT | 2026-05-20 |
ai-doc-gen宝藏工具 视觉/多模态 ·一个由AI驱动的代码文档生成器，自动分析代码库并使用先进语言模型创建全面的文档。 | 一个由AI驱动的代码文档生成器，自动分析代码库并使用先进语言模型创建全面的文档。 | 视觉/多模态 | ★ 767 | MIT | 2026-07-21 |
mcp-client-cli命令行界面大型语言模型 视觉/多模态 ·一个简单的命令行界面程序，用于运行大型语言模型提示并实现模型上下文协议（MCP）客户端。 | 一个简单的命令行界面程序，用于运行大型语言模型提示并实现模型上下文协议（MCP）客户端。 | 视觉/多模态 | ★ 675 | MIT | 2025-12-02 |
CradleAI 智能体通用计算机控制 视觉/多模态 ·Cradle框架使新兴基础模型能够通过人类使用的统一界面（即屏幕截图作为输入，键盘和鼠标操作作为输出）执行复杂的计算机任务。 | Cradle框架使新兴基础模型能够通过人类使用的统一界面（即屏幕截图作为输入，键盘和鼠标操作作为输出）执行复杂的计算机任务。 | 视觉/多模态 | ★ 2.6k | MIT | 2024-11-07 |
Director必备神器 视觉/多模态 ·Director是一个构建视频智能体的框架，能够处理复杂的视频任务，如搜索、编辑、编译和生成，并即时传输结果。 | Director是一个构建视频智能体的框架，能够处理复杂的视频任务，如搜索、编辑、编译和生成，并即时传输结果。 | 视觉/多模态 | ★ 1.6k | MIT | 2026-01-23 |
Awesome-GUI-Agent多模态AIGUI智能体 视觉/多模态 ·这是一个关于多模态图形用户界面（GUI）智能体的论文、项目和资源精选列表。 | 这是一个关于多模态图形用户界面（GUI）智能体的论文、项目和资源精选列表。 | 视觉/多模态 | ★ 1.2k | — | 2025-08-17 |
short-video-maker视频生成文本转语音 视觉/多模态 ·Short Video Maker 是一个开源的自动化短视频制作工具，它通过文本输入结合文本转语音、字幕、背景视频和音乐来生成引人入胜的短视频。 | Short Video Maker 是一个开源的自动化短视频制作工具，它通过文本输入结合文本转语音、字幕、背景视频和音乐来生成引人入胜的短视频。 | 视觉/多模态 | ★ 1.4k | MIT | 2025-06-21 |
aiflowyAI智能体Java 视觉/多模态 ·AIFlowy是一个企业级、开源的AI应用（智能体）开发平台，用Java构建，提供高效、开放且本地化的AI工具链和低门槛的AI解决方案部署能力。 | AIFlowy是一个企业级、开源的AI应用（智能体）开发平台，用Java构建，提供高效、开放且本地化的AI工具链和低门槛的AI解决方案部署能力。 | 视觉/多模态 | ★ 791 | NOASSERTION | 2026-06-15 |
bladesAI 代理Go 语言 视觉/多模态 ·Blades 是一个为 Go 语言设计的、支持自定义模型、工具、内存和中间件等多模态 AI Agent 框架。 | Blades 是一个为 Go 语言设计的、支持自定义模型、工具、内存和中间件等多模态 AI Agent 框架。 | 视觉/多模态 | ★ 819 | MIT | 2026-08-14 |
TACTIC宝藏工具 视觉/多模态 ·TACTIC是一个开源的远程协作平台，用于配置和部署企业工作流解决方案，通过集成核心工作流引擎、数字资产管理和内容管理来简化数字资产的开发和交付。 | TACTIC是一个开源的远程协作平台，用于配置和部署企业工作流解决方案，通过集成核心工作流引擎、数字资产管理和内容管理来简化数字资产的开发和交付。 | 视觉/多模态 | ★ 499 | NOASSERTION | 2026-05-24 |
