Self-Operating ComputerОтворен код на агент за умна машина, който управлява компютъра Ви чрез видео-възприятие и контрол на мишка и клавиатура.

4.7 (6)

Прегледано от Daniel Nikulshyn·Актуализирано май 2026 г.

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

Преглед

Селс-Операцителный компютер (Self-Operating Computer) е отворн систем компак (framework), косват ммлодальний ай (AI models) контрол дескт на режим де \u043bюдене. Проектът поддържа множество базови модели, включително GPT-4 с визия, Gemini, Claude, и LLaVA, което дава възможност на потребителите да изберат между облакови и локални опции. Тъй като функционира визуално, а не чрез API, то теоретически може да работи свсяка програма, която човек може да използва, от браузъри до нативна софтуер. Отдолу е насочено предимно към разработчици и изследователи, които изследват самостоятелни агенти, AI за автоматично използване на компютърни системи и автоматизация на потоци. Инсталацията се извършва чрез командния ред, а задачите се описват чрез природни езикови команди.

Ключови функции

Качествени снимки, основащи се на екранизация
Автоматизиран контрол на мишка и клавиатура
Поддръжка на множество модели (GPT-4, Gemini, Claude, LLaVA)
Натурални лингвистични запити на задачи
Compatibilitет с десктопни системи за множество платформи
Отворен, експандиран набор от код

Цени

Модел: Freemium
Категория: Автоматизиране на задачи
Оценка: 4.7 / 5 (6)

Случаи на употреба

Прототипи на самостоятелни агенти за използване на компютъра

Резервнирите и разработчиите може да експериментират с визуално базирани АИ агенти, които осъзнават екрана и контролират мишка и клавиатура за да изпълняват определени десктопни задачи според определения от потребителя.

Автоматизиране на крос-апликационни работници

С използването на натурални лингвистични запити можете да се справи с последователности измежду броузъри и местни приложения, тъй като рамковето оперира всяко програма визуално, а не в зависимост от API.

Навестяване на бенчмарк на многосвязови модели на задачи на UI

Сравнете GPT-4 с визия, Gemini, Claude и LLaVA на едни и същи екран-контролни задачи за да оцените точността, бързината и трите стопанства.

Разширяване на отворен код на рамкове за агенти

Уделете и допълете набора от код, за да добавите нови модели, стени или стратегии за задачи, изградени с лични самостоятелни агенти върху съществуващата основа.

Плюсове и минуси

Плюсове

Безплатен и с отворен код
Поддръжка на множество LLMs с визуален капацитет
Управлява всяка видима приложение, не само веб
Полезна основа за изследвания и експерименти на агенти

Минуси

Точността на агента зависи силно от избрания модел
Имплементацията изисква технически настройки чрез терминал
Може да бъде бавна и да прави грешки в интерфейса
Стоимостите за използване на API може да добавят нарастващи суми за дълги задачи

Отзиви

4.7

Средно от 6 оценки.

Влез, за да оставиш отзив.

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.