UI-TARS-desktop
字节跳动的这个仓库托管了 TARS——一个开源的多模态 AI Agent 技术栈,包含两个项目。Agent TARS 是通用的多模态 Agent,提供 CLI 和 Web 界面,把 GUI Agent 的视觉能力与基于 DOM 的浏览器控制、MCP 工具结合起来,目标是以接近人的方式完成任务。UI-TARS Desktop 是一个原生桌面应用,让视觉语言模型(基于 UI-TARS 和 Seed-VL 系列模型)用鼠标和键盘操作你的本地电脑、远程电脑或浏览器。
它适合探索“计算机操作类 Agent”的开发者和研究者:自动化没有 API 的桌面应用中的界面操作,完成比价、预订行程这类多步骤浏览器任务,或者为能“看屏幕”的 Agent 做原型。UI-TARS Desktop 支持 Windows、macOS 和浏览器,基于截图识别并实时显示状态;Agent TARS 既可以在 Web 界面中有头运行,也可以作为服务无头运行,还能挂载更多 MCP Server。
上手方式:用 `npx @agent-tars/cli@latest` 运行 Agent TARS(全局安装需要 Node.js 22+),并传入模型服务商和 API Key,例如火山引擎或 Anthropic。UI-TARS Desktop 是单独的桌面应用,按照其快速上手文档下载安装,再配置一个视觉语言模型的接口地址。
功能特性
为什么选择它
权衡点
维护状况检查
- 最近提交
- 2026-10-09
- 近 90 天提交数
- 8
- 近 90 天发布数
- 1
- 最新发布
- v0.3.1 (2026-10-08)
- 未关闭 issue
- 511
- 近期 issue 至少有一条评论的比例
- 13/16
最早的一周在左边,最近 4 周为橙色。数据来源:GitHub 提交统计。
状态规则:GitHub 上已归档 = 已归档;最近提交在 90 天内 = 活跃;91 到 365 天 = 放缓;更久 = 停滞。所有数字来自所示日期的 GitHub API。
讨论最多的未关闭 issue
- #268 [Feature] Windows platform support for Agent TARS 23 条评论 · 2025-03-22
- #591 [Bug]: Missing clicks20 条评论 · 2025-05-13
- #587 [Bug]: UI-TARS-2B-SFT model maximum context length Error16 条评论 · 2025-05-13
- #11 no action after thinking12 条评论 · 2025-01-22
- #311 Mac已经按要求授权应用访问设备的权限,依然无法执行浏览器访问11 条评论 · 2025-03-24
issue 标题引自 GitHub。请打开链接确认该问题是否仍适用于你使用的版本。
适合谁
- 需要一款基于原生视觉模型的桌面端 GUI 智能体,直接通过看懂屏幕画面、端到端模拟鼠标点击与键盘输入来操作应用。
- 希望拥有一款跨 macOS、Windows 和 Linux 的开源多模态桌面自动化软件,胜任跨软件协同任务。
- 操作对象仅为纯 Web 网页;直接通过 Playwright 或 Scrapling 操作 DOM 树比纯视觉模拟点击更快、更稳定。
- 本地或服务端缺乏充足的 GPU 算力或支持高分辨率视觉推理的多模态模型调用预算。
与同类的区别
UI-TARS Desktop 通过视觉感知屏幕画面并模拟真实鼠标轨迹与按键;Open Interpreter 则主要在终端底层运行,通过直接执行生成的代码脚本来操作计算机。
兼容性
快速开始
使用场景
同类工具
评论
暂无评论,来发表第一条吧