Self-Operating ComputerIzvorne AI agenta koji operira računalo preko vizualizacije ekrana i upravljanja tipkovnicom i mišjem uređajem.

4.7 (6)

Recenzirao Daniel Nikulshyn·Ažurirano svibanj 2026.

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

Pregled

Samostalni operativni računar je otvoren-kodna platforma koja omogućava multimodalnim modelima umjetne inteligencije kontrolu nad desktop računarom kao i što bi čovjek učinio. On pohvaćava zaslone, tumači grafički sučelje i izdaje unos miša i tastature kako bi sprovedene bile korisničke definirane zadatke unutar bilo kojeg primjera za upotrebu aplikacije. Projekt podržava višestruke ugrađene modele, uključujući GPT-4 s vizualizacijom, Gemini, Claude i LLaVA, čime korisnici mogu odabrati između opcija u oblaku i lokalne opcije. Zbog toga što funkcionira vizualno umjesto kroz API-jeve, na teoriji možda funkcionira bilo koji program koji može upotrijebiti čovjek, od vještačkih pretraživača do native programa. Glavno smjerilo upereno je prema razvojačima i istraživačima koji proučavaju autonomne agente, AI korisničkih racunara i automatizacije rada protoka. Postupak instalacije izvršava se preko linije naredbi, a zadaće se opisuju u prirodnim jezičnim prompting-ovima.

Ključne značajke

Kopirano-ekrnski pristup razumevanja ekranske slike
Automatsko upravljanje mišem i tipkovnicom
Višeklasni podržani modeli (GPT-4, Gemini, Claude, LLaVA)
Naturalni jezik za upozorenje zadataka
Kompabilitet računala za uređivačku ploču
Izvoran kod sa mogućnošću daljnjeg razvoja

Cijene

Model: Freemium
Kategorija: Automatizacija zadataka
Ocjena: 4.7 / 5 (6)

Slučajevi uporabe

Prototipiranje samostalnih korisnika računala

Naučnici i razvijači mogu eksperimentirati s AI agentima koji vide ekran i kontroliraju miš i tipkovnicu za vršenje korisnikom određenih zadataka na desktop-u

Automatizacija protokola preko aplikacija

Korištenjem prirodnog jezika može se uputiti niz zadataka u različite aplikacije jer agenta opereira na osnovu ekranske slike a ne prema API

Testiranje višeklasnih modela na zadatake UI

Sporazumenje koji model je najbolji za vršenje zadataka ekranske slike, brzinu i cijene

Izrada izvornog frameworks za samostalne agente

Forkiranje i izmjena izvornog koda ili dodavanje novih klasnih modela ili metoda da bi se napravio kustomni AI agent

Prednosti i nedostaci

Prednosti

Besplatan i izvoran
Rad sa više LLM koji mogu vidjeti
Kontrolira bilo koji vidljiv program, tj. ne samo web aplikacije
Korištenje kao početni temelj za istraživanje i pokuse agenata
Preporučeno za razvojne radnje, istraživanje i pokuse

Nedostaci

Tolikočnost ovisi o izabranom modelu
Preko terminala je potreban tehnički setup
Kada je spori ili učinak nije ispravan
Cijene upotrebe API za dugotrajan zadatak će se zbirati

Recenzije

4.7

Prosjek iz 6 ocjena.

Prijavi se za ostavljanje recenzije.

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.

Pitanja

Koji su ograničenja?

Točnost ovisi o odabranom modelu, što može rezultirati sporošću, pogreškama na korisničkom sučelju i mogućim naknadnim troškovima za API upotrebu na dugim zadaćama.

Asked by Paloma Ruiz · Mar 29, 2026

Kako se zadaci definiraju?

Zadaće su opisane u prirodnih jezika pokazivača preko linije naredbi.

Asked by Abebe Girma · Feb 27, 2026

Koje modele podržava?

Podržava različite modele, uključujući GPT-4 sa vidom, Gemini, Claude i LLaVA, sa opcijama u oblaku i lokalno.

Asked by Victor Nguyen · Feb 24, 2026

Je li Self-Operating Computer besplatno?

Da, Self-Operating Computer je besplatan i otvoren izvor.

Asked by Ravi Kapoor · Jan 11, 2026