Self-Operating ComputerΑνοιχτού κώδικα AI πράκτορας που λειτουργεί τον υπολογιστή σας μέσω οπτικής όρασης της οθόνης και ελέγχου ποντικιού/πληκτρολογίου.

4.7 (6)

Αξιολογήθηκε από Daniel Nikulshyn·Ενημερώθηκε Μάιος 2026

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

Επισκόπηση

Το Self-Operating Computer είναι ένα πλαίσιο ανοιχτού κώδικα που επιτρέπει σε πολυμορφικά μοντέλα AI να ελέγχουν έναν υπολογιστή όπως θα έκανε ένας άνθρωπος. Καταγράφει στιγμιότυπα οθόνης, ερμηνεύει τη διεπαφή και εκτελεί κλικ του ποντικιού και εισαγωγές πληκτρολογίου για την εκτέλεση εργασιών καθορισμένων από τον χρήστη σε οποιαδήποτε εφαρμογή. Το έργο υποστηρίζει πολλαπλά υποκείμενα μοντέλα, συμπεριλαμβανομένων των GPT-4 με όραση, Gemini, Claude και LLaVA, επιτρέποντας στους χρήστες να επιλέγουν μεταξύ cloud και τοπικών επιλογών. Δεδομένου ότι λειτουργεί οπτικά αντί μέσω API, θεωρητικά μπορεί να χειρίζεται οποιοδήποτε πρόγραμμα που μπορεί να χρησιμοποιήσει ένας άνθρωπος, από φυλλομετρητές μέχρι εγγενές λογισμικό. Απευθύνεται κυρίως σε προγραμματιστές και ερευνητές που εξερευνούν αυτόνομους πράκτορες, AI χρήσης υπολογιστή και αυτοματοποίηση ροών εργασίας. Η εγκατάσταση γίνεται μέσω της γραμμής εντολών, και οι εργασίες περιγράφονται με προτροπές σε φυσική γλώσσα.

Βασικές λειτουργίες

Κατανόηση οθόνης βάσει στιγμιότυπου
Αυτοματοποιημένος έλεγχος ποντικιού και πληκτρολογίου
Υποστήριξη πολλαπλών μοντέλων (GPT-4, Gemini, Claude, LLaVA)
Προτροπές εργασιών σε φυσική γλώσσα
Συμβατότητα desktop σε πολλαπλές πλατφόρμες
Ανοιχτού κώδικα, επεκτάσιμη βάση κώδικα

Τιμές

Μοντέλο: Freemium
Κατηγορία: Μηχανική Αυτοματοποίησης Τασκ
Βαθμολογία: 4.7 / 5 (6)

Περιπτώσεις χρήσης

Πρωτότυπα αυτόνομων πρακτόρων για χρήση υπολογιστή

Οι ερευνητές και προγραμματιστές μπορούν να πειραματιστούν με πράκτορες AI βασισμένους στην όραση, που αντιλαμβάνονται την οθόνη και ελέγχουν το ποντίκι και το πληκτρολόγιο για την ολοκλήρωση εργασιών επιφάνειας εργασίας που ορίζονται από τον χρήστη.

Αυτοματοποίηση ροών εργασίας μεταξύ εφαρμογών

Χρησιμοποιήστε προτροπές σε φυσική γλώσσα για να καθοδηγήσετε ακολουθίες μεταξύ προγραμμάτων περιήγησης και εγγενών εφαρμογών, καθώς το πλαίσιο λειτουργεί οποιοδήποτε πρόγραμμα οπτικά αντί να βασίζεται σε API.

Αξιολόγηση πολυμορφικών μοντέλων σε εργασίες UI

Συγκρίνετε το GPT-4 με όραση, Gemini, Claude και LLaVA σε ταυτόσημες εργασίες ελέγχου οθόνης για να αξιολογήσετε την ακρίβεια, την ταχύτητα και τις ανταλλαγές κόστους.

Επέκταση ανοιχτού πλαισίου πράκτορα

Διακλαδώστε και τροποποιήστε τη βάση κώδικα για να προσθέσετε νέα μοντέλα, εργαλεία ή στρατηγικές εργασιών, δημιουργώντας προσαρμοσμένους αυτόνομους πράκτορες πάνω σε μια λειτουργική βάση.

Υπέρ και κατά

Υπέρ

Δωρεάν και ανοιχτού κώδικα
Λειτουργεί με πολλαπλά LLM με δυνατότητα όρασης
Ελέγχει οποιαδήποτε ορατή εφαρμογή, όχι μόνο web
Χρήσιμη βάση για έρευνα και πειραματισμό πράκτορων

Κατά

Η ακρίβεια εξαρτάται σε μεγάλο βαθμό από το επιλεγμένο μοντέλο
Απαιτεί τεχνική ρύθμιση μέσω τερματικού
Μπορεί να είναι αργό και να κάνει λάθη στη διεπαφή χρήστη
Το κόστος χρήσης του API μπορεί να αυξηθεί σε μεγάλες εργασίες

Κριτικές

4.7

Μέσος όρος από 6 βαθμολογίες.

Σύνδεση για κριτική.

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.