open-computer-use
open-computer-use 是一个基于开源大语言模型（LLM）和 E2B 桌面沙盒技术的智能代理工具，旨在让 AI 像人类一样操作电脑。它能在云端构建一个安全的 Linux 虚拟环境，通过模拟键盘、鼠标输入及执行 shell 命令来完成任务，并将操作画面实时流式传输给用户。
该工具主要解决了传统 AI 仅能生成文本或代码、无法直接操控图形界面软件的局限，同时利用沙盒技术确保了操作过程的安全隔离，避免对本地系统造成潜在风险。其核心亮点在于极高的灵活性与开放性：支持超过 10 种主流大模型（如 Llama 3.3、Gemini 2.0、GPT-4o 等），并允许用户自由组合不同模型分别负责视觉识别、动作决策和屏幕定位；此外，用户在任务执行过程中可随时暂停并介入指导，实现了人机协作的闭环。
open-computer-use 特别适合开发者、AI 研究人员以及希望探索自动化工作流的技术爱好者使用。无论是需要测试多模态模型在真实操作系统中的表现，还是希望构建能够自主浏览网页、处理文档的智能助手，它都提供了一个低成本、可定制且安全可靠的实验平台。只需简单的配置即可启动，让用户轻松体验下一代“具身智能”在数字世界中的应用潜力。
使用场景
某初创公司的数据分析师需要在隔离的云端环境中，快速从多个新闻网站抓取并整理非结构化的市场情报报告。
没有 open-computer-use 时
- 开发周期冗长：工程师需手动编写复杂的 Selenium 或 Playwright 脚本以应对不同网站的动态加载和反爬机制，耗时数天。
- 环境维护困难：本地运行爬虫易受操作系统差异影响，且难以在保证安全的前提下处理潜在的恶意网页代码。
- 灵活性极差：一旦目标网站调整 UI 布局或增加验证码，原有脚本立即失效，必须人工介入重新调试代码。
- 无法处理复杂交互：对于需要登录、弹窗确认或非标准控件的操作，传统 API 抓取方式往往束手无策。
使用 open-computer-use 后
- 自然语言驱动：分析师直接输入“打开浏览器，访问指定新闻站，下载最新 PDF 报告”，open-computer-use 即可调用开源大模型自主规划操作。
- 沙箱安全执行：所有操作均在 E2B Desktop Sandbox 提供的隔离 Linux 环境中进行，利用键盘鼠标模拟真实用户行为，彻底规避安全风险。
- 自适应能力强：基于视觉模型（如 OS-Atlas），open-computer-use 能像人类一样“看”懂屏幕元素，网站改版后无需修改代码即可自动适应新界面。
- 实时干预与监控：用户可通过直播流实时观察 Agent 操作，并在关键时刻暂停并下达新指令，实现人机协同的灵活控制。
open-computer-use 将繁琐的自动化脚本开发转化为直观的自然语言交互，让非技术人员也能安全、高效地操控云端计算机完成复杂任务。
运行环境要求
- Linux
- macOS
- Windows
未说明
未说明
快速开始
开放式计算机使用
一台由 E2B Desktop Sandbox 提供支持、并由开源大语言模型控制的安全云端 Linux 计算机。
https://github.com/user-attachments/assets/3837c4f6-45cb-43f2-9d51-a45f742424d4
功能特性
- 使用 E2B 实现安全的 桌面沙盒
- 通过键盘、鼠标和 Shell 命令操作计算机
- 支持 10 多种大语言模型，包括 OS-Atlas/ShowUI，以及 您希望集成的任何其他模型！
- 将沙盒中的显示画面实时流式传输到客户端计算机
- 用户可以随时暂停并提示智能体
- 使用 Ubuntu 系统，但设计上可兼容任何操作系统
设计架构
设计细节已在本文中详细说明：我是如何教会 AI 使用计算机的
大语言模型支持
开放式计算机使用旨在方便用户轻松替换不同的大语言模型。智能体所使用的模型在 config.py 中以如下方式指定：
grounding_model = providers.OSAtlasProvider()
vision_model = providers.GroqProvider("llama3.2")
action_model = providers.GroqProvider("llama3.3")
这些提供者均从 providers.py 中导入，包含以下内容：
- Fireworks、OpenRouter、Llama API：
- Llama 3.2（仅视觉）、Llama 3.3（仅行动）
- Groq：
- Llama 3.2（视觉 + 行动）、Llama 3.3（仅行动）
- DeepSeek：
- DeepSeek（仅行动）
- Google：
- Gemini 2.0 Flash（视觉 + 行动）
- OpenAI：
- GPT-4o 和 GPT-4o mini（视觉 + 行动）
- Anthropic：
- Claude（视觉 + 行动）
- HuggingFace Spaces：
- OS-Atlas（接地）
- ShowUI（接地）
- Moonshot
- Mistral AI（Pixtral 用于视觉，Mistral Large 用于行动）
如果您添加了新的模型或提供者，请务必向本仓库提交 拉取请求，更新 providers.py 文件！
快速入门
前置条件
- Python 3.10 或更高版本
- git
- E2B API 密钥
- 您所使用的任意大语言模型提供商的 API 密钥（见上文）
1. 安装前置工具
在终端中运行以下命令：
brew install poetry ffmpeg
2. 克隆代码库
在终端中执行：
git clone https://github.com/e2b-dev/open-computer-use/
3. 设置环境变量
进入项目目录：
cd open-computer-use
在 open-computer-use 目录下创建一个 .env 文件，并设置如下内容：
# 在 https://e2b.dev 获取您的 API 密钥：
E2B_API_KEY="your-e2b-api-key"
此外，还需添加您正在使用的任何大语言模型提供商的 API 密钥：
# 您只需为 config.py 中选定的提供商提供 API 密钥：
# Hugging Face Spaces 不需要 API 密钥。
FIREWORKS_API_KEY=...
OPENROUTER_API_KEY=...
LLAMA_API_KEY=...
GROQ_API_KEY=...
GEMINI_API_KEY=...
OPENAI_API_KEY=...
ANTHROPIC_API_KEY=...
MOONSHOT_API_KEY=...
# 必需：提供您的 Hugging Face 令牌以绕过 Gradio 的速率限制。
HF_TOKEN=...
4. 启动 Web 界面
运行以下命令以启动智能体：
poetry install
poetry run start
智能体会启动并提示您输入第一条指令。
若要使用指定的提示词启动智能体，可运行：
poetry run start --prompt "use the web browser to get the current weather in sf"
Python 程序启动后几秒钟内，您应该就能看到显示画面的实时流。
常见问题
相似工具推荐
stable-diffusion-webui
stable-diffusion-webui 是一个基于 Gradio 构建的网页版操作界面，旨在让用户能够轻松地在本地运行和使用强大的 Stable Diffusion 图像生成模型。它解决了原始模型依赖命令行、操作门槛高且功能分散的痛点，将复杂的 AI 绘图流程整合进一个直观易用的图形化平台。 无论是希望快速上手的普通创作者、需要精细控制画面细节的设计师，还是想要深入探索模型潜力的开发者与研究人员，都能从中获益。其核心亮点在于极高的功能丰富度：不仅支持文生图、图生图、局部重绘（Inpainting）和外绘（Outpainting）等基础模式，还独创了注意力机制调整、提示词矩阵、负向提示词以及“高清修复”等高级功能。此外，它内置了 GFPGAN 和 CodeFormer 等人脸修复工具，支持多种神经网络放大算法，并允许用户通过插件系统无限扩展能力。即使是显存有限的设备，stable-diffusion-webui 也提供了相应的优化选项，让高质量的 AI 艺术创作变得触手可及。
everything-claude-code
everything-claude-code 是一套专为 AI 编程助手（如 Claude Code、Codex、Cursor 等）打造的高性能优化系统。它不仅仅是一组配置文件，而是一个经过长期实战打磨的完整框架，旨在解决 AI 代理在实际开发中面临的效率低下、记忆丢失、安全隐患及缺乏持续学习能力等核心痛点。 通过引入技能模块化、直觉增强、记忆持久化机制以及内置的安全扫描功能，everything-claude-code 能显著提升 AI 在复杂任务中的表现，帮助开发者构建更稳定、更智能的生产级 AI 代理。其独特的“研究优先”开发理念和针对 Token 消耗的优化策略，使得模型响应更快、成本更低，同时有效防御潜在的攻击向量。 这套工具特别适合软件开发者、AI 研究人员以及希望深度定制 AI 工作流的技术团队使用。无论您是在构建大型代码库，还是需要 AI 协助进行安全审计与自动化测试，everything-claude-code 都能提供强大的底层支持。作为一个曾荣获 Anthropic 黑客大奖的开源项目，它融合了多语言支持与丰富的实战钩子（hooks），让 AI 真正成长为懂上
ComfyUI
ComfyUI 是一款功能强大且高度模块化的视觉 AI 引擎，专为设计和执行复杂的 Stable Diffusion 图像生成流程而打造。它摒弃了传统的代码编写模式，采用直观的节点式流程图界面，让用户通过连接不同的功能模块即可构建个性化的生成管线。 这一设计巧妙解决了高级 AI 绘图工作流配置复杂、灵活性不足的痛点。用户无需具备编程背景，也能自由组合模型、调整参数并实时预览效果，轻松实现从基础文生图到多步骤高清修复等各类复杂任务。ComfyUI 拥有极佳的兼容性，不仅支持 Windows、macOS 和 Linux 全平台，还广泛适配 NVIDIA、AMD、Intel 及苹果 Silicon 等多种硬件架构，并率先支持 SDXL、Flux、SD3 等前沿模型。 无论是希望深入探索算法潜力的研究人员和开发者，还是追求极致创作自由度的设计师与资深 AI 绘画爱好者，ComfyUI 都能提供强大的支持。其独特的模块化架构允许社区不断扩展新功能，使其成为当前最灵活、生态最丰富的开源扩散模型工具之一，帮助用户将创意高效转化为现实。
NextChat
NextChat 是一款轻量且极速的 AI 助手，旨在为用户提供流畅、跨平台的大模型交互体验。它完美解决了用户在多设备间切换时难以保持对话连续性，以及面对众多 AI 模型不知如何统一管理的痛点。无论是日常办公、学习辅助还是创意激发，NextChat 都能让用户随时随地通过网页、iOS、Android、Windows、MacOS 或 Linux 端无缝接入智能服务。 这款工具非常适合普通用户、学生、职场人士以及需要私有化部署的企业团队使用。对于开发者而言，它也提供了便捷的自托管方案，支持一键部署到 Vercel 或 Zeabur 等平台。 NextChat 的核心亮点在于其广泛的模型兼容性，原生支持 Claude、DeepSeek、GPT-4 及 Gemini Pro 等主流大模型，让用户在一个界面即可自由切换不同 AI 能力。此外，它还率先支持 MCP（Model Context Protocol）协议，增强了上下文处理能力。针对企业用户，NextChat 提供专业版解决方案，具备品牌定制、细粒度权限控制、内部知识库整合及安全审计等功能，满足公司对数据隐私和个性化管理的高标准要求。
ML-For-Beginners
ML-For-Beginners 是由微软推出的一套系统化机器学习入门课程，旨在帮助零基础用户轻松掌握经典机器学习知识。这套课程将学习路径规划为 12 周，包含 26 节精炼课程和 52 道配套测验，内容涵盖从基础概念到实际应用的完整流程，有效解决了初学者面对庞大知识体系时无从下手、缺乏结构化指导的痛点。 无论是希望转型的开发者、需要补充算法背景的研究人员，还是对人工智能充满好奇的普通爱好者，都能从中受益。课程不仅提供了清晰的理论讲解，还强调动手实践，让用户在循序渐进中建立扎实的技能基础。其独特的亮点在于强大的多语言支持，通过自动化机制提供了包括简体中文在内的 50 多种语言版本，极大地降低了全球不同背景用户的学习门槛。此外，项目采用开源协作模式，社区活跃且内容持续更新，确保学习者能获取前沿且准确的技术资讯。如果你正寻找一条清晰、友好且专业的机器学习入门之路，ML-For-Beginners 将是理想的起点。
ragflow
RAGFlow 是一款领先的开源检索增强生成（RAG）引擎，旨在为大语言模型构建更精准、可靠的上下文层。它巧妙地将前沿的 RAG 技术与智能体（Agent）能力相结合，不仅支持从各类文档中高效提取知识，还能让模型基于这些知识进行逻辑推理和任务执行。 在大模型应用中，幻觉问题和知识滞后是常见痛点。RAGFlow 通过深度解析复杂文档结构（如表格、图表及混合排版），显著提升了信息检索的准确度，从而有效减少模型“胡编乱造”的现象，确保回答既有据可依又具备时效性。其内置的智能体机制更进一步，使系统不仅能回答问题，还能自主规划步骤解决复杂问题。 这款工具特别适合开发者、企业技术团队以及 AI 研究人员使用。无论是希望快速搭建私有知识库问答系统，还是致力于探索大模型在垂直领域落地的创新者，都能从中受益。RAGFlow 提供了可视化的工作流编排界面和灵活的 API 接口，既降低了非算法背景用户的上手门槛，也满足了专业开发者对系统深度定制的需求。作为基于 Apache 2.0 协议开源的项目，它正成为连接通用大模型与行业专有知识之间的重要桥梁。