Self-Operating ComputerOdprtokodni AI agent, ki upravlja vaš računalnik prek zaslonskega videnja ter nadzora miške in tipkovnice.

4.7 (6)

Pregledal Daniel Nikulshyn·Posodobljeno maj 2026

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

Pregled

Self-Operating Computer je odprtokodni okvir, ki multimodalnim AI modelom omogoča nadzor nad namizjem na način, kot bi ga uporabila oseba. Zajemajo zaslonske sličice, interpretirajo vmesnik in izdajajo miške klike ter tipkovne vnose, da izvedejo uporabniško določene naloge v kateri koli aplikaciji. Projekt podpira več osnovnih modelov, vključno z GPT-4 z vizijo, Gemini, Claude in LLaVA, kar uporabnikom omogoča izbiro med oblačnimi in lokalnimi možnostmi. Ker deluje vizualno namesto prek API-jev, lahko teoretično upravlja z vsakim programom, ki ga lahko uporabi človek, od brskalnikov do domačih programov. Glavno je namenjen razvijalcem in raziskovalcem, ki raziskujejo avtonomne agente, AI za uporabo računalnika in avtomatizacijo delovnih tokov. Namestitev se izvede prek ukazne vrstice, naloge pa so opisane v naravnih jezikovnih promptih.

Ključne funkcije

Razumevanje zaslona na podlagi posnetkov zaslona
Avtomatska kontrola miške in tipkovnice
Podpora več modelov (GPT-4, Gemini, Claude, LLaVA)
Navodila opravil v naravnem jeziku
Kompatibilnost na več platformah za namizno okolje
Odprtokodna, razširljiva kodebaza

Cene

Model: Freemium
Kategorija: Avtomatizacija nalog
Ocena: 4.7 / 5 (6)

Primeri uporabe

Prototipiranje avtonomnih agentov za uporabo računalnika

Raziskovalci in razvijalci lahko eksperimentirajo z vizualno podprtimi AI agenti, ki zaznavajo zaslon ter nadzorujejo miško in tipkovnico za izpolnitev uporabnikov definirane namizne naloge.

Avtomatiziraj tokov zadev med aplikacijami

Uporabite navodila v naravnem jeziku za upravljanje sekvenc v brskalnikih in domačinih aplikacijah, saj okvir deluje z vsakim programom vizualno namesto da se zanaša na API-je.

Primerjava multimodalnih modelov pri UI nalogah

Primerjajte GPT-4 z vizijo, Gemini, Claude in LLaVA na enakih nalogah nadzora zaslona, da ocenite natančnost, hitrost in stroške.

Razširite odprtokodni okvir agentov

Razvejajte in spremenite kodo, da dodate nove modele, orodja ali strategije nalog, ter ustvarite prilagojene avtonomne agente na osnovi delujočega temelja.

Prednosti in slabosti

Prednosti

Brezplačno in odprtokodno
Deluje z več vizualno sposobnimi LLM-ji
Nadzoruje katerikoli vidni program, ne le spletišča
Koristen osnovni sistem za raziskave in eksperimentiranje z agenti

Slabosti

Natančnost močno odvisna od izbranega modela
Zahteva tehnično nastavitve prek terminala
Lahko je počasno in naredi napake v uporabniškem vmesniku
Stroški uporabe API lahko na dolge naloge naraščajo

Ocene

4.7

Povprečje iz 6 ocen.

Prijavi se za oddajo ocene.

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.