[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-tencentmusic--page-eyes-agent":3,"tool-tencentmusic--page-eyes-agent":61},[4,18,26,36,44,53],{"id":5,"name":6,"github_repo":7,"description_zh":8,"stars":9,"difficulty_score":10,"last_commit_at":11,"category_tags":12,"status":17},4358,"openclaw","openclaw\u002Fopenclaw","OpenClaw 是一款专为个人打造的本地化 AI 助手，旨在让你在自己的设备上拥有完全可控的智能伙伴。它打破了传统 AI 助手局限于特定网页或应用的束缚，能够直接接入你日常使用的各类通讯渠道，包括微信、WhatsApp、Telegram、Discord、iMessage 等数十种平台。无论你在哪个聊天软件中发送消息，OpenClaw 都能即时响应，甚至支持在 macOS、iOS 和 Android 设备上进行语音交互，并提供实时的画布渲染功能供你操控。\n\n这款工具主要解决了用户对数据隐私、响应速度以及“始终在线”体验的需求。通过将 AI 部署在本地，用户无需依赖云端服务即可享受快速、私密的智能辅助，真正实现了“你的数据，你做主”。其独特的技术亮点在于强大的网关架构，将控制平面与核心助手分离，确保跨平台通信的流畅性与扩展性。\n\nOpenClaw 非常适合希望构建个性化工作流的技术爱好者、开发者，以及注重隐私保护且不愿被单一生态绑定的普通用户。只要具备基础的终端操作能力（支持 macOS、Linux 及 Windows WSL2），即可通过简单的命令行引导完成部署。如果你渴望拥有一个懂你",349277,3,"2026-04-06T06:32:30",[13,14,15,16],"Agent","开发框架","图像","数据工具","ready",{"id":19,"name":20,"github_repo":21,"description_zh":22,"stars":23,"difficulty_score":10,"last_commit_at":24,"category_tags":25,"status":17},3808,"stable-diffusion-webui","AUTOMATIC1111\u002Fstable-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。\n\n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。",162132,"2026-04-05T11:01:52",[14,15,13],{"id":27,"name":28,"github_repo":29,"description_zh":30,"stars":31,"difficulty_score":32,"last_commit_at":33,"category_tags":34,"status":17},1381,"everything-claude-code","affaan-m\u002Feverything-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。\n\n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。\n\n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",147882,2,"2026-04-09T11:32:47",[14,13,35],"语言模型",{"id":37,"name":38,"github_repo":39,"description_zh":40,"stars":41,"difficulty_score":32,"last_commit_at":42,"category_tags":43,"status":17},2271,"ComfyUI","Comfy-Org\u002FComfyUI","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。\n\n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。\n\n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。",108111,"2026-04-08T11:23:26",[14,15,13],{"id":45,"name":46,"github_repo":47,"description_zh":48,"stars":49,"difficulty_score":32,"last_commit_at":50,"category_tags":51,"status":17},4721,"markitdown","microsoft\u002Fmarkitdown","MarkItDown 是一款由微软 AutoGen 团队打造的轻量级 Python 工具，专为将各类文件高效转换为 Markdown 格式而设计。它支持 PDF、Word、Excel、PPT、图片（含 OCR）、音频（含语音转录）、HTML 乃至 YouTube 链接等多种格式的解析，能够精准提取文档中的标题、列表、表格和链接等关键结构信息。\n\n在人工智能应用日益普及的今天，大语言模型（LLM）虽擅长处理文本，却难以直接读取复杂的二进制办公文档。MarkItDown 恰好解决了这一痛点，它将非结构化或半结构化的文件转化为模型“原生理解”且 Token 效率极高的 Markdown 格式，成为连接本地文件与 AI 分析 pipeline 的理想桥梁。此外，它还提供了 MCP（模型上下文协议）服务器，可无缝集成到 Claude Desktop 等 LLM 应用中。\n\n这款工具特别适合开发者、数据科学家及 AI 研究人员使用，尤其是那些需要构建文档检索增强生成（RAG）系统、进行批量文本分析或希望让 AI 助手直接“阅读”本地文件的用户。虽然生成的内容也具备一定可读性，但其核心优势在于为机器",93400,"2026-04-06T19:52:38",[52,14],"插件",{"id":54,"name":55,"github_repo":56,"description_zh":57,"stars":58,"difficulty_score":10,"last_commit_at":59,"category_tags":60,"status":17},4487,"LLMs-from-scratch","rasbt\u002FLLMs-from-scratch","LLMs-from-scratch 是一个基于 PyTorch 的开源教育项目，旨在引导用户从零开始一步步构建一个类似 ChatGPT 的大型语言模型（LLM）。它不仅是同名技术著作的官方代码库，更提供了一套完整的实践方案，涵盖模型开发、预训练及微调的全过程。\n\n该项目主要解决了大模型领域“黑盒化”的学习痛点。许多开发者虽能调用现成模型，却难以深入理解其内部架构与训练机制。通过亲手编写每一行核心代码，用户能够透彻掌握 Transformer 架构、注意力机制等关键原理，从而真正理解大模型是如何“思考”的。此外，项目还包含了加载大型预训练权重进行微调的代码，帮助用户将理论知识延伸至实际应用。\n\nLLMs-from-scratch 特别适合希望深入底层原理的 AI 开发者、研究人员以及计算机专业的学生。对于不满足于仅使用 API，而是渴望探究模型构建细节的技术人员而言，这是极佳的学习资源。其独特的技术亮点在于“循序渐进”的教学设计：将复杂的系统工程拆解为清晰的步骤，配合详细的图表与示例，让构建一个虽小但功能完备的大模型变得触手可及。无论你是想夯实理论基础，还是为未来研发更大规模的模型做准备",90106,"2026-04-06T11:19:32",[35,15,13,14],{"id":62,"github_repo":63,"name":64,"description_en":65,"description_zh":66,"ai_summary_zh":66,"readme_en":67,"readme_zh":68,"quickstart_zh":69,"use_case_zh":70,"hero_image_url":71,"owner_login":72,"owner_name":73,"owner_avatar_url":74,"owner_bio":75,"owner_company":76,"owner_location":76,"owner_email":76,"owner_twitter":76,"owner_website":77,"owner_url":78,"languages":79,"stars":92,"forks":93,"last_commit_at":94,"license":95,"difficulty_score":10,"env_os":96,"env_gpu":97,"env_ram":96,"env_deps":98,"category_tags":108,"github_topics":76,"view_count":32,"oss_zip_url":76,"oss_zip_packed_at":76,"status":17,"created_at":109,"updated_at":110,"faqs":111,"releases":127},5979,"tencentmusic\u002Fpage-eyes-agent","page-eyes-agent","PageEyes Agent 是一个轻量级 UI Agent，通过自然语言指令驱动，无需编写脚本既可实现Web、Android平台的UI自动化任务。","PageEyes Agent 是一款轻量级智能 UI 自动化助手，旨在让用户仅通过自然语言指令，即可轻松驱动 Web、Android、iOS、鸿蒙及 Electron 桌面应用的自动化任务，彻底告别繁琐的脚本编写。它主要解决了传统自动化测试门槛高、维护成本大以及跨平台适配困难的痛点，让非专业开发人员也能快速上手执行复杂的界面操作、自动巡检或回归测试。\n\n这款工具特别适合测试工程师、应用开发者以及希望提升工作效率的技术人员使用。其核心亮点在于独特的“视觉小模型 + 大语言模型”融合架构：利用 OmniParserV2 精准感知界面元素，配合 DeepSeek、通义千问等主流大模型进行路径规划。这种设计使其不再依赖昂贵的视觉语言大模型，即使使用参数量较小的 LLM 也能实现高精度的自动化控制。此外，PageEyes Agent 支持多模型灵活接入，能够自动生成详细的执行日志与测试报告，并可通过自然语言直接进行结果断言。只需简单配置环境变量，用户即可在 Python 环境中快速启动跨端自动化流程，真正实现“所想即所得”的智能交互体验。","## PageEyes Agent\n\n![](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002Fbuild-passing-brightgreen)\n![](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002Fpython-12-blue?logo=python)\n\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Ftencentmusic\u002Fpage-eyes-agent\u002Fblob\u002Fmaster\u002FLICENSE\">\n\u003Cimg src=\"https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FLicense-MIT-blue?labelColor=d4eaf7\" alt=\"License\">\n\u003C\u002Fa>\n\u003Ca href=\"https:\u002F\u002Fpypi.org\u002Fproject\u002Fpage-eyes\u002F\">\n\u003Cimg alt=\"Version\" src=\"https:\u002F\u002Fimg.shields.io\u002Fpypi\u002Fv\u002Fpage-eyes.svg?labelColor=d4eaf7&label=version&color=blue\">\n\u003C\u002Fa>\n![](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FWeb-supported-brightgreen?logo=googlechrome&logoColor=white)\n![](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FAndroid-supported-brightgreen?logo=android&logoColor=white)\n![](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FiOS-supported-brightgreen?logo=apple&logoColor=white)\n![](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FHarmonyOS_Next-supported-brightgreen?logo=harmonyos&logoColor=white)\n![](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FElectron-supported-brightgreen?logo=electron&logoColor=white)\n\n---\n\n**Documentation**: [PageEyes Agent](https:\u002F\u002Ftencentmusic.github.io\u002Fpage-eyes-agent\u002F)\n\n---\n\n\u003Cp align=\"center\">\n    \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Ftencentmusic_page-eyes-agent_readme_b20fcc9e4fd7.png\" height=\"100\" alt=\"\" \u002F>\n\u003C\u002Fp>\n\nPageEyes Agent 是基于 [Pydantic AI](https:\u002F\u002Fai.pydantic.dev\u002F#why-use-pydanticai) 框架开发的一个轻量级 UI Agent，\n其中元素信息感知能力依靠 [OmniParserV2](https:\u002F\u002Fhuggingface.co\u002Fmicrosoft\u002FOmniParser-v2.0) 模型，整个 Agent\n的优势在于不依赖视觉语言大模型，\n即使小参数的 LLM 也能胜任路径规划能力，同时支持多平台（Web、Android、HarmonyOS、iOS、Electron 桌面应用），目前主要包含以下功能：\n\n1. 完全由自然语言指令驱动，无需编写脚本，既可实现自动化测试，UI巡检等任务\n2. 跨平台、跨端支持，在 Python 环境中安装 page-eyes 库和配置 OmniParser 服务后即可开始多个平台的自动化任务\n3. 支持多种大模型接入，包括DeepSeek、OpenAI、千问等，默认使用 DeepSeek V3 模型，后续会支持更多大模型接入\n4. 可通过自然语言进行断言，并生成详细的执行日志和报告，方便测试人员查看执行过程和结果\n\n\u003Cp align=\"center\">\n\u003Cimg title=\"\" src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Ftencentmusic_page-eyes-agent_readme_1e1e171e6dd0.png\" alt=\"\" width=\"610\" data-align=\"center\">\n\u003C\u002Fp>\n\n## 安装\n\n您可以通过 [pip](https:\u002F\u002Fpypi.org\u002Fproject\u002Fpage-eyes\u002F) 安装\n\n```shell\npip install page-eyes\n```\n\n或者克隆项目源码安装\n\n```shell\ngit clone https:\u002F\u002Fgithub.com\u002Ftencentmusic\u002Fpage-eyes-agent.git\ncd page-eyes-agent\nuv sync  # 安装依赖\n```\n\n## 快速开始\n配置环境变量，可在项目根目录下创建一个 `.env` 文件，配置项可参考 [.env.example](.env.example)\n\n### 一、轻量化部署: 配好模型, 插上手机就能跑\n`.env` 中配置VLM模型，以 qwen3-vl-plus 为例\n```shell\nOPENAI_BASE_URL=https:\u002F\u002Fdashscope.aliyuncs.com\u002Fcompatible-mode\u002Fv1\nOPENAI_API_KEY=xxx-xxx-xxx-xxx-xxx\nAGENT_MODEL_TYPE=vlm\nAGENT_MODEL=openai:qwen3-vl-plus\n```\n编写测试脚本，以 Android 端为例（需先安装好 adb）\n```python\nimport asyncio\n\nfrom page_eyes.agent import AndroidAgent\n\n\nasync def main():\n    # 移动端\n    ui_agent = await AndroidAgent.create()\n\n    report = await ui_agent.run( \"打开QQ音乐, 点击乐馆，点击排行，点击腾讯音乐榜，检测当前页面出现由你榜\")\n\nif __name__ == \"__main__\":\n    asyncio.run(main())\n```\n\n### 二、多源融合(视觉小模型+大模型)部署\nOmniParser + LLM\n\n`.env` 中配置模型，以 deepseek v3 为例, OmiParser 需提前[部署](docs\u002Fgetting-started\u002Finstallation.md)\n```shell\nOPENAI_BASE_URL=https:\u002F\u002Fapi.deepseek.com\u002Fv1\nOPENAI_API_KEY=xxx-xxx-xxx-xxx-xxx\nAGENT_MODEL=openai:deepseek-chat\nOMNI_BASE_URL=http:\u002F\u002F127.0.0.1:8000\n```\n测试脚本参考上面已有示例\n\n### 三、更多配置\n| 环境变量             | 默认值                         | 说明                                   |\n|:-----------------|-----------------------------|--------------------------------------|\n| AGENT_MODEL      | openai:deepseek-chat        | 使用的AI模型，当前设置为 deepseek-chat          |\n| AGENT_DEBUG      | False                       | 是否启用调试模式                             |\n| BROWSER_HEADLESS | False                       | WebAgent 启动浏览器时是否使用无头模式              |\n| AGENT_MODEL_TYPE | llm                         | Agent 使用的模型类型，支持 llm 和 vlm           |\n| OMNI_BASE_URL    | http:\u002F\u002F127.0.0.1:8000       | OmniParser API的服务端点, vlm 不需要配置该项     |\n| OPENAI_BASE_URL  | https:\u002F\u002Fapi.deepseek.com\u002Fv1 | 模型 API 的服务端点                         |\n| OPENAI_API_KEY   | xxx-xxx-xxx                 | 模型 API 所需的认证密钥                       |\n| IOS_WDA_URL      | -                           | iOS WebDriverAgent 服务地址（仅 iOS 自动化需要） |\n\n> vlm 模型支持：`glm-4.6v`  `qwen3-vl-plus` 等\n>\n> 如：AGENT_MODEL=openai:qwen3-vl-plus \n\n使用腾讯云COS服务（与MinIO二选一），可选，不配置则会使用 base64 保存图片\n\n| 环境变量           | 默认值 | 说明                  |\n|:---------------|-----|---------------------|\n| COS_SECRET_ID  | -   | 腾讯云COS服务的Secret ID  |\n| COS_SECRET_KEY | -   | 腾讯云COS服务的Secret Key |\n| COS_ENDPOINT   | -   | 腾讯云COS服务的 endpoint  |\n| COS_BUCKET     | -   | 腾讯云COS服务的 bucket    |\n\n使用MinIO服务（与腾讯云COS二选一），可选，不配置则会使用 base64 保存图片\n\n| 环境变量             | 默认值 | 说明                            |\n|:-----------------|-----|-------------------------------|\n| MINIO_ENDPOINT   | -   | MinIO 端点 host:port            |\n| MINIO_ACCESS_KEY | -   | 您在后台创建的 Access Key            |\n| MINIO_SECRET_KEY | -   | 创建 Access Key 时会生成 SECRET_KEY |\n| MINIO_BUCKET     | -   | 您在后台创建的 Bucket                |\n\n[详细部署参考](docs\u002Fgetting-started\u002Finstallation.md)\n\n**使用示例**\n\n根据需要操作的设备类型可以导入对应的 Agent 类\n\n```python\nfrom page_eyes.agent import WebAgent, AndroidAgent, HarmonyAgent, IOSAgent, ElectronAgent\n\n...\n```\n\n| Agent Class  | 支持类型                               |\n|--------------|------------------------------------|\n| WebAgent     | Web\u002FH5浏览器操作，依赖 Playwright 和 Chrome |\n| AndroidAgent | Android 移动端操作，依赖 adb               |\n| HarmonyAgent | 鸿蒙 Next 移动端操作，依赖 hdc               |\n| IOSAgent     | iOS 移动端操作，依赖 facebook-wda          |\n\n```python\nimport asyncio\n\nfrom page_eyes.agent import WebAgent, AndroidAgent\n\n\nasync def main():\n    # Web 端\n    ui_agent = await WebAgent.create(simulate_device='iPhone 15 Pro')\n\n    # 移动端\n    # ui_agent = await AndroidAgent.create(serial='android-udid')\n\n    report = await ui_agent.run(\"\"\"\n            - 打开 url \"https:\u002F\u002Fyobang.tencentmusic.com\u002Fchart\u002Funi-chart\u002FrankList\u002F\"\n            - 点击\"查找icon\"\n            - 在搜索输入框中输入\"小美满\"\n            - 点击\"小美满> \"\n            - 点击\"日榜\"\n            \"\"\")\n\n\nif __name__ == \"__main__\":\n    asyncio.run(main())\n```\n\n### 四、使用 Skills\nAgent 默认会加载当前 `.\u002Fskills` 目录下的技能（如有），也可以自定义其他目录的skills\n```python\nimport asyncio\n\nfrom page_eyes.agent import AndroidAgent\n\n\nasync def main():\n    # 移动端\n    ui_agent = await AndroidAgent.create(skills_dirs=[\".\u002Fskills\", \".\u002Fmore-skills\"])\n\n    report = await ui_agent.run( \"打开QQ音乐, 点击乐馆，点击排行，点击腾讯音乐榜，检测当前页面出现由你榜\")\n\nif __name__ == \"__main__\":\n    asyncio.run(main())\n```\n\n\n更多示例请参考[示例代码](https:\u002F\u002Fgithub.com\u002Ftencentmusic\u002Fpage-eyes-agent\u002Ftree\u002Fmaster\u002Ftests)\n\n## 贡献指南\n\n1. 检查现有 issues 或提交新 issue 来讨论功能想法或缺陷\n2. 在GitHub上Fork[代码仓库](https:\u002F\u002Fgithub.com\u002Ftencentmusic\u002Fpage-eyes-agent)，基于主分支创建修改分支（或从其创建新分支）\n3. 编写测试用例：通过测试验证缺陷已修复或新功能符合预期\n4. 添加更新日志：按规范提交[更新日志](.\u002FCHANGELOG.md)\n5. 完善文档：优化文档（增强细节、提升可读性等）\n\n## 如有需要，加入我们的交流群\n\n![](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Ftencentmusic_page-eyes-agent_readme_fa8339310081.png)","## PageEyes 代理\n\n![](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002Fbuild-passing-brightgreen)\n![](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002Fpython-12-blue?logo=python)\n\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Ftencentmusic\u002Fpage-eyes-agent\u002Fblob\u002Fmaster\u002FLICENSE\">\n\u003Cimg src=\"https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FLicense-MIT-blue?labelColor=d4eaf7\" alt=\"License\">\n\u003C\u002Fa>\n\u003Ca href=\"https:\u002F\u002Fpypi.org\u002Fproject\u002Fpage-eyes\u002F\">\n\u003Cimg alt=\"Version\" src=\"https:\u002F\u002Fimg.shields.io\u002Fpypi\u002Fv\u002Fpage-eyes.svg?labelColor=d4eaf7&label=version&color=blue\">\n\u003C\u002Fa>\n![](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FWeb-supported-brightgreen?logo=googlechrome&logoColor=white)\n![](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FAndroid-supported-brightgreen?logo=android&logoColor=white)\n![](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FiOS-supported-brightgreen?logo=apple&logoColor=white)\n![](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FHarmonyOS_Next-supported-brightgreen?logo=harmonyos&logoColor=white)\n![](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FElectron-supported-brightgreen?logo=electron&logoColor=white)\n\n---\n\n**文档**: [PageEyes 代理](https:\u002F\u002Ftencentmusic.github.io\u002Fpage-eyes-agent\u002F)\n\n---\n\n\u003Cp align=\"center\">\n    \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Ftencentmusic_page-eyes-agent_readme_b20fcc9e4fd7.png\" height=\"100\" alt=\"\" \u002F>\n\u003C\u002Fp>\n\nPageEyes 代理是基于 [Pydantic AI](https:\u002F\u002Fai.pydantic.dev\u002F#why-use-pydanticai) 框架开发的一个轻量级 UI 代理，\n其中元素信息感知能力依靠 [OmniParserV2](https:\u002F\u002Fhuggingface.co\u002Fmicrosoft\u002FOmniParser-v2.0) 模型，整个代理\n的优势在于不依赖视觉语言大模型，\n即使小参数的 LLM 也能胜任路径规划能力，同时支持多平台（Web、Android、HarmonyOS、iOS、Electron 桌面应用），目前主要包含以下功能：\n\n1. 完全由自然语言指令驱动，无需编写脚本，既可实现自动化测试、UI 巡检等任务\n2. 跨平台、跨端支持，在 Python 环境中安装 page-eyes 库和配置 OmniParser 服务后即可开始多个平台的自动化任务\n3. 支持多种大模型接入，包括DeepSeek、OpenAI、千问等，默认使用 DeepSeek V3 模型，后续会支持更多大模型接入\n4. 可通过自然语言进行断言，并生成详细的执行日志和报告，方便测试人员查看执行过程和结果\n\n\u003Cp align=\"center\">\n\u003Cimg title=\"\" src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Ftencentmusic_page-eyes-agent_readme_1e1e171e6dd0.png\" alt=\"\" width=\"610\" data-align=\"center\">\n\u003C\u002Fp>\n\n## 安装\n\n您可以通过 [pip](https:\u002F\u002Fpypi.org\u002Fproject\u002Fpage-eyes\u002F) 安装\n\n```shell\npip install page-eyes\n```\n\n或者克隆项目源码安装\n\n```shell\ngit clone https:\u002F\u002Fgithub.com\u002Ftencentmusic\u002Fpage-eyes-agent.git\ncd page-eyes-agent\nuv sync  # 安装依赖\n```\n\n## 快速开始\n配置环境变量，可在项目根目录下创建一个 `.env` 文件，配置项可参考 [.env.example](.env.example)\n\n### 一、轻量化部署: 配好模型, 插上手机就能跑\n`.env` 中配置VLM模型，以 qwen3-vl-plus 为例\n```shell\nOPENAI_BASE_URL=https:\u002F\u002Fdashscope.aliyuncs.com\u002Fcompatible-mode\u002Fv1\nOPENAI_API_KEY=xxx-xxx-xxx-xxx-xxx\nAGENT_MODEL_TYPE=vlm\nAGENT_MODEL=openai:qwen3-vl-plus\n```\n编写测试脚本，以 Android 端为例（需先安装好 adb）\n```python\nimport asyncio\n\nfrom page_eyes.agent import AndroidAgent\n\n\nasync def main():\n    # 移动端\n    ui_agent = await AndroidAgent.create()\n\n    report = await ui_agent.run( \"打开QQ音乐, 点击乐馆，点击排行，点击腾讯音乐榜，检测当前页面出现由你榜\")\n\nif __name__ == \"__main__\":\n    asyncio.run(main())\n```\n\n### 二、多源融合(视觉小模型+大模型)部署\nOmniParser + LLM\n\n`.env` 中配置模型，以 deepseek v3 为例, OmiParser 需提前[部署](docs\u002Fgetting-started\u002Finstallation.md)\n```shell\nOPENAI_BASE_URL=https:\u002F\u002Fapi.deepseek.com\u002Fv1\nOPENAI_API_KEY=xxx-xxx-xxx-xxx-xxx\nAGENT_MODEL=openai:deepseek-chat\nOMNI_BASE_URL=http:\u002F\u002F127.0.0.1:8000\n```\n测试脚本参考上面已有示例\n\n### 三、更多配置\n| 环境变量             | 默认值                         | 说明                                   |\n|:-----------------|-----------------------------|--------------------------------------|\n| AGENT_MODEL      | openai:deepseek-chat        | 使用的AI模型，当前设置为 deepseek-chat          |\n| AGENT_DEBUG      | False                       | 是否启用调试模式                             |\n| BROWSER_HEADLESS | False                       | WebAgent 启动浏览器时是否使用无头模式              |\n| AGENT_MODEL_TYPE | llm                         | Agent 使用的模型类型，支持 llm 和 vlm           |\n| OMNI_BASE_URL    | http:\u002F\u002F127.0.0.1:8000       | OmniParser API的服务端点, vlm 不需要配置该项     |\n| OPENAI_BASE_URL  | https:\u002F\u002Fapi.deepseek.com\u002Fv1 | 模型 API 的服务端点                         |\n| OPENAI_API_KEY   | xxx-xxx-xxx                 | 模型 API 所需的认证密钥                       |\n| IOS_WDA_URL      | -                           | iOS WebDriverAgent 服务地址（仅 iOS 自动化需要） |\n\n> vlm 模型支持：`glm-4.6v`  `qwen3-vl-plus` 等\n>\n> 如：AGENT_MODEL=openai:qwen3-vl-plus \n\n使用腾讯云COS服务（与MinIO二选一），可选，不配置则会使用 base64 保存图片\n\n| 环境变量           | 默认值 | 说明                  |\n|:---------------|-----|---------------------|\n| COS_SECRET_ID  | -   | 腾讯云COS服务的Secret ID  |\n| COS_SECRET_KEY | -   | 腾讯云COS服务的Secret Key |\n| COS_ENDPOINT   | -   | 腾讯云COS服务的 endpoint  |\n| COS_BUCKET     | -   | 腾讯云COS服务的 bucket    |\n\n使用MinIO服务（与腾讯云COS二选一），可选，不配置则会使用 base64 保存图片\n\n| 环境变量             | 默认值 | 说明                            |\n|:-----------------|-----|-------------------------------|\n| MINIO_ENDPOINT   | -   | MinIO 端点 host:port            |\n| MINIO_ACCESS_KEY | -   | 您在后台创建的 Access Key            |\n| MINIO_SECRET_KEY | -   | 创建 Access Key 时会生成 SECRET_KEY |\n| MINIO_BUCKET     | -   | 您在后台创建的 Bucket                |\n\n[详细部署参考](docs\u002Fgetting-started\u002Finstallation.md)\n\n**使用示例**\n\n根据需要操作的设备类型可以导入对应的 Agent 类\n\n```python\nfrom page_eyes.agent import WebAgent, AndroidAgent, HarmonyAgent, IOSAgent, ElectronAgent\n\n...\n```\n\n| Agent Class  | 支持类型                               |\n|--------------|------------------------------------|\n| WebAgent     | Web\u002FH5浏览器操作，依赖 Playwright 和 Chrome |\n| AndroidAgent | Android 移动端操作，依赖 adb               |\n| HarmonyAgent | 鸿蒙 Next 移动端操作，依赖 hdc               |\n| IOSAgent     | iOS 移动端操作，依赖 facebook-wda          |\n\n```python\nimport asyncio\n\nfrom page_eyes.agent import WebAgent, AndroidAgent\n\n\nasync def main():\n    # Web 端\n    ui_agent = await WebAgent.create(simulate_device='iPhone 15 Pro')\n\n    # 移动端\n    # ui_agent = await AndroidAgent.create(serial='android-udid')\n\n    report = await ui_agent.run(\"\"\"\n            - 打开 url \"https:\u002F\u002Fyobang.tencentmusic.com\u002Fchart\u002Funi-chart\u002FrankList\u002F\"\n            - 点击\"查找icon\"\n            - 在搜索输入框中输入\"小美满\"\n            - 点击\"小美满> \"\n            - 点击\"日榜\"\n            \"\"\")\n\n\nif __name__ == \"__main__\":\n    asyncio.run(main())\n```\n\n### 四、使用 Skills\nAgent 默认会加载当前 `.\u002Fskills` 目录下的技能（如有），也可以自定义其他目录的skills\n```python\nimport asyncio\n\nfrom page_eyes.agent import AndroidAgent\n\n\nasync def main():\n    # 移动端\n    ui_agent = await AndroidAgent.create(skills_dirs=[\".\u002Fskills\", \".\u002Fmore-skills\"])\n\n    report = await ui_agent.run( \"打开QQ音乐, 点击乐馆，点击排行，点击腾讯音乐榜，检测当前页面出现由你榜\")\n\nif __name__ == \"__main__\":\n    asyncio.run(main())\n```\n\n\n更多示例请参考[示例代码](https:\u002F\u002Fgithub.com\u002Ftencentmusic\u002Fpage-eyes-agent\u002Ftree\u002Fmaster\u002Ftests)\n\n## 贡献指南\n\n1. 检查现有 issues 或提交新 issue 来讨论功能想法或缺陷\n2. 在GitHub上Fork[代码仓库](https:\u002F\u002Fgithub.com\u002Ftencentmusic\u002Fpage-eyes-agent)，基于主分支创建修改分支（或从其创建新分支）\n3. 编写测试用例：通过测试验证缺陷已修复或新功能符合预期\n4. 添加更新日志：按规范提交[更新日志](.\u002FCHANGELOG.md)\n5. 完善文档：优化文档（增强细节、提升可读性等）\n\n## 如有需要，加入我们的交流群\n\n![](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Ftencentmusic_page-eyes-agent_readme_fa8339310081.png)","# PageEyes Agent 快速上手指南\n\nPageEyes Agent 是一个基于 Pydantic AI 框架开发的轻量级 UI 自动化智能体。它利用 OmniParserV2 模型感知界面元素，无需依赖昂贵的视觉语言大模型（VLM），仅用小参数 LLM 即可实现跨平台（Web、Android、iOS、HarmonyOS、Electron）的自动化任务。用户只需通过自然语言指令，即可完成自动化测试、UI 巡检等工作。\n\n## 1. 环境准备\n\n在开始之前，请确保您的开发环境满足以下要求：\n\n*   **操作系统**：Windows, macOS 或 Linux\n*   **Python 版本**：Python 3.12+\n*   **前置依赖**（根据目标平台选择安装）：\n    *   **Android**: 安装并配置 `adb` (Android Debug Bridge)。\n    *   **Web**: 安装 Chrome 浏览器（PageEyes 会自动调用 Playwright）。\n    *   **iOS**: 配置 `facebook-wda` (WebDriverAgent) 服务。\n    *   **HarmonyOS**: 安装并配置 `hdc` (HarmonyOS Device Connector)。\n*   **模型服务**：\n    *   方案 A（推荐轻量化）：拥有支持视觉的大模型 API Key（如通义千问 `qwen3-vl-plus`）。\n    *   方案 B（多源融合）：部署本地 OmniParser 服务 + 任意大模型 API Key（如 DeepSeek V3）。\n\n## 2. 安装步骤\n\n您可以通过 pip 直接安装，或克隆源码进行开发。\n\n### 方式一：使用 pip 安装（推荐）\n\n```shell\npip install page-eyes\n```\n\n### 方式二：源码安装\n\n```shell\ngit clone https:\u002F\u002Fgithub.com\u002Ftencentmusic\u002Fpage-eyes-agent.git\ncd page-eyes-agent\nuv sync  # 使用 uv 工具安装依赖\n```\n\n## 3. 基本使用\n\n### 第一步：配置环境变量\n\n在项目根目录下创建 `.env` 文件。根据您的模型策略选择以下任一配置方案：\n\n**方案 A：轻量化部署（视觉大模型直连，无需本地 OmniParser）**\n适用于快速启动，以阿里云通义千问为例：\n```shell\nOPENAI_BASE_URL=https:\u002F\u002Fdashscope.aliyuncs.com\u002Fcompatible-mode\u002Fv1\nOPENAI_API_KEY=您的 API_KEY\nAGENT_MODEL_TYPE=vlm\nAGENT_MODEL=openai:qwen3-vl-plus\n```\n\n**方案 B：多源融合部署（OmniParser + 普通 LLM）**\n需先自行部署 OmniParser 服务，以 DeepSeek 为例：\n```shell\nOPENAI_BASE_URL=https:\u002F\u002Fapi.deepseek.com\u002Fv1\nOPENAI_API_KEY=您的 API_KEY\nAGENT_MODEL=openai:deepseek-chat\nOMNI_BASE_URL=http:\u002F\u002F127.0.0.1:8000\n```\n\n### 第二步：编写运行脚本\n\n创建一个 Python 文件（例如 `main.py`），根据您的设备类型导入对应的 Agent 类。\n\n**示例：Android 端自动化**\n确保手机已通过 USB 连接且 `adb` 可用。\n\n```python\nimport asyncio\nfrom page_eyes.agent import AndroidAgent\n\nasync def main():\n    # 初始化 Android Agent\n    ui_agent = await AndroidAgent.create()\n\n    # 执行自然语言指令\n    report = await ui_agent.run(\"打开 QQ 音乐，点击乐馆，点击排行，点击腾讯音乐榜，检测当前页面出现由你榜\")\n    \n    print(report)\n\nif __name__ == \"__main__\":\n    asyncio.run(main())\n```\n\n**示例：Web 端自动化**\n\n```python\nimport asyncio\nfrom page_eyes.agent import WebAgent\n\nasync def main():\n    # 初始化 Web Agent，模拟 iPhone 15 Pro 设备\n    ui_agent = await WebAgent.create(simulate_device='iPhone 15 Pro')\n\n    # 执行多步操作指令\n    report = await ui_agent.run(\"\"\"\n        - 打开 url \"https:\u002F\u002Fyobang.tencentmusic.com\u002Fchart\u002Funi-chart\u002FrankList\u002F\"\n        - 点击\"查找 icon\"\n        - 在搜索输入框中输入\"小美满\"\n        - 点击\"小美满> \"\n        - 点击\"日榜\"\n    \"\"\")\n    \n    print(report)\n\nif __name__ == \"__main__\":\n    asyncio.run(main())\n```\n\n### 第三步：运行与查看结果\n\n在终端运行脚本：\n\n```shell\npython main.py\n```\n\nAgent 将自动解析屏幕元素、规划路径并执行操作。执行完成后，系统将生成详细的执行日志和报告，包含每一步的操作截图和断言结果。\n\n> **提示**：如需加载自定义技能（Skills），可在创建 Agent 时指定目录：\n> `ui_agent = await AndroidAgent.create(skills_dirs=[\".\u002Fskills\", \".\u002Fmore-skills\"])`","某电商测试团队需要在每日发布前，对 Web 端和 Android 端的“双 11\"大促活动页面进行核心流程巡检，确保下单链路畅通。\n\n### 没有 page-eyes-agent 时\n- **脚本维护成本极高**：每次 UI 布局微调或元素 ID 变更，测试人员都必须手动修改大量 Selenium 或 Appium 代码，耗时费力。\n- **跨端适配困难**：Web 和 Android 需要编写两套完全不同的自动化脚本，逻辑无法复用，人力投入翻倍。\n- **断言编写繁琐**：验证“页面是否出现特定弹窗”或“价格是否正确”需要编写复杂的定位逻辑和判断代码，容易出错。\n- **新人上手门槛高**：新入职的测试人员必须精通 Python 编程和底层自动化框架，培训周期长，难以快速投入业务。\n\n### 使用 page-eyes-agent 后\n- **自然语言驱动执行**：测试人员只需输入“打开活动页，点击立即购买，验证订单确认页出现”等指令，page-eyes-agent 即可自动规划路径并执行，无需编写任何脚本。\n- **一套逻辑多端运行**：依托 page-eyes-agent 的跨平台能力，同一套自然语言指令可直接复用于 Web 浏览器和 Android 真机，大幅减少重复工作。\n- **智能语义断言**：直接通过自然语言描述预期结果（如“检测当前页面包含优惠券信息”），page-eyes-agent 利用 OmniParserV2 精准感知元素并自动生成详细报告。\n- **降低技术门槛**：业务测试人员无需深入理解代码细节，凭借对业务的熟悉度即可快速构建自动化用例，实现“即写即跑”。\n\npage-eyes-agent 通过将自然语言转化为跨端执行力，让非开发人员也能轻松构建高质量的 UI 自动化巡检体系，将回归测试效率提升数倍。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Ftencentmusic_page-eyes-agent_d4ca8404.png","tencentmusic","Tencent Music Entertainment","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Ftencentmusic_5b1bf19b.jpg","",null,"https:\u002F\u002Fwww.tencentmusic.com\u002F","https:\u002F\u002Fgithub.com\u002Ftencentmusic",[80,84,88],{"name":81,"color":82,"percentage":83},"HTML","#e34c26",67.9,{"name":85,"color":86,"percentage":87},"Python","#3572A5",31.7,{"name":89,"color":90,"percentage":91},"JavaScript","#f1e05a",0.4,1221,69,"2026-04-09T13:52:50","NOASSERTION","未说明","非必需。若使用 OmniParserV2 本地部署模式可能需要 GPU 加速；若使用 VLM（视觉语言模型）云端 API 模式则无需本地 GPU。",{"notes":99,"python":100,"dependencies":101},"该工具支持两种运行模式：1. 轻量化部署（VLM 模式）：直接调用云端大模型 API（如 DeepSeek、通义千问等），无需本地部署重型模型，但需配置 API Key。2. 多源融合部署（OmniParser + LLM 模式）：需额外本地或远程部署 OmniParserV2 服务。跨平台自动化分别依赖特定外部工具：Web 端依赖 Chrome 和 Playwright；Android 依赖 adb；鸿蒙 Next 依赖 hdc；iOS 依赖 facebook-wda。图片存储可选配置腾讯云 COS 或 MinIO，否则默认使用 base64。","3.12",[102,103,104,105,106,107],"page-eyes","Pydantic AI","Playwright","adb (Android Debug Bridge)","hdc (HarmonyOS Device Connector)","facebook-wda (WebDriverAgent)",[13,14],"2026-03-27T02:49:30.150509","2026-04-10T04:35:42.103512",[112,117,122],{"id":113,"question_zh":114,"answer_zh":115,"source_url":116},27108,"如何支持 PC 桌面端应用（如 Electron 开发的 exe 客户端）的自动化测试？","该功能已在 page-eyes 1.3.0 及以上版本中支持。请运行命令 `pip install page-eyes>=1.3.0` 进行安装或升级即可使用桌面应用自动化功能。","https:\u002F\u002Fgithub.com\u002Ftencentmusic\u002Fpage-eyes-agent\u002Fissues\u002F2",{"id":118,"question_zh":119,"answer_zh":120,"source_url":121},27109,"如何在 Web 端测试场景中执行文件上传操作？","该功能在 0.3.2 版本已支持（1.0.0 版本进一步完善）。可以使用如下指令格式：\n- 打开 url \"https:\u002F\u002Fwww.google.com\u002F\"\n- 点击\"相机\"按钮\n- 点击\"将图片放到此处或上传文件\"右侧 1\u002F4 处，上传文件：\".\u002Fpic.png\"","https:\u002F\u002Fgithub.com\u002Ftencentmusic\u002Fpage-eyes-agent\u002Fissues\u002F1",{"id":123,"question_zh":124,"answer_zh":125,"source_url":126},27110,"项目交流群的二维码无法打开或已过期怎么办？","维护者会定期更新交流群二维码。如果遇到二维码打不开的情况，通常意味着已发布最新修复，请刷新页面或查看项目最新文档以获取最新的入群二维码。","https:\u002F\u002Fgithub.com\u002Ftencentmusic\u002Fpage-eyes-agent\u002Fissues\u002F3",[]]