acu

GitHub
1.6k 115 非常简单 1 次阅读 今天Agent其他图像开发框架
AI 解读 由 AI 自动生成，仅供参考

acu 是一个精心整理的开源资源清单，专注于"AI 电脑操作智能体”（AI Agents for Computer Use）领域。简单来说，它汇集了让 AI 像人类一样自主操作电脑的研究论文、项目代码、开发框架及实用工具。

传统 AI 大多局限于文本对话，而 acu 关注的智能体具备“看、想、做”的全链路能力：它们能理解屏幕内容，规划操作步骤，并直接通过点击、键盘输入或调用 API 来操控电脑和手机界面，从而独立帮助用户完成复杂任务。acu 的出现解决了该领域资源分散、技术门槛高的问题，为想要探索或构建此类应用的人群提供了一站式的导航。

这份清单非常适合 AI 研究人员、开发者以及技术爱好者使用。研究人员可以从中获取最新的综述论文、数据集和基准测试；开发者能找到成熟的开源框架、沙箱环境和自动化方案，快速搭建自己的智能体应用。

acu 的独特亮点在于其分类细致且更新及时，涵盖了从底层的大语言模型（LLM）驱动方法、视觉定位技术（UI Grounding），到具体的商业与开源项目对比。无论是想了解比尔·盖茨等业界领袖对未来的展望，还是深入钻研强化学习在长程任务中的最新突破，acu 都能提供权威且系统的指引，是进入 AI 自主操作领域的理想起点。

使用场景

某电商数据分析师需要每日跨多个后台系统抓取销售报表并整理成 Excel，传统方式需人工重复操作。

没有 acu 时

  • 资源分散难寻：面对 GitHub 上零散的电脑操作智能体项目，难以辨别哪些支持复杂的 GUI 界面识别与长序列任务规划。
  • 技术选型盲目：缺乏对最新研究论文（如 UI Grounding 技术）和基准测试的了解，容易选用无法处理动态网页元素的过时框架。
  • 开发周期漫长：需自行摸索环境沙箱搭建与安全控制机制，往往花费数周调试点击坐标和键盘事件，却仍频繁出错。
  • 维护成本高昂：一旦网站界面微调，硬编码的自动化脚本即刻失效，且找不到具备自我修复能力的替代方案参考。

使用 acu 后

  • 一站式资源导航：acu 提供了经过筛选的项目列表，分析师可快速定位到支持多模态感知的成熟框架（如基于 LLM 的 GUI Agent）。
  • 前沿技术直达：通过收录的最新综述和论文，团队直接引入先进的“过程奖励引导”技术，显著提升了对复杂表单的填写成功率。
  • 加速落地部署：借助列表中推荐的环境沙箱和自动化工具，原本数周的集成工作缩短至几天，迅速实现从“ reasoning"到"acting"的闭环。
  • 生态持续演进：依托活跃的社区更新，能即时获取针对界面变动的适应性方案，确保自动化流程长期稳定运行。

acu 将碎片化的电脑操作智能体生态转化为结构化知识，让开发者从“造轮子”转向直接构建高价值的自主业务流。

运行环境要求

GPU

未说明

内存

未说明

依赖
notes该工具（ACU）并非一个具体的可执行软件或代码库，而是一个“计算机使用 AI 智能体”的资源汇总列表（Awesome List）。README 内容主要包含相关文章、研究论文、开源项目和商业框架的链接与简介。因此，文中未提供任何关于操作系统、硬件配置、Python 版本或依赖库的具体安装需求。用户需根据列表中感兴趣的具体子项目（如 Magentic-One, OS-Copilot, UFO 等）查阅其各自的仓库以获取运行环境要求。
python未说明
acu hero image

快速开始

logo

X Community

ACU - 用于计算机操作的优秀智能体

用于计算机操作的AI智能体是一种自主程序，它能够对任务进行推理、规划一系列行动，并以点击、键盘输入、其他计算机事件、命令行操作以及内部/外部API调用等形式，在计算机或移动设备的范围内执行操作。这些智能体结合了感知、决策和控制能力，能够与数字界面交互并独立完成用户指定的目标。

这是一份关于用于计算机操作的AI智能体的精选资源列表，包括研究论文、项目、框架和工具。

目录

文章

论文

综述

综述


框架与模型

脚本与模型


UI接地

UI 理解与对齐


数据集

数据集


基准测试

基准测试


安全性

安全性


项目

开源

框架与模型

覆盖范围与模型

  • AutoGen

    • 用于构建AI代理系统的框架。
    • 简化了事件驱动、分布式、可扩展且具有弹性的代理应用程序的创建。

  • Auto-GPT

    • 自主GPT-4代理
    • 专注于任务自动化

  • Browser Use

    • 使网站可通过视觉+HTML提取对AI代理开放
    • 支持多标签管理和自定义操作，并集成LangChain

  • Claude Computer Use Demo

    • MacOS实现
    • Claude集成

  • Claude Minecraft Use

    • 游戏自动化
    • 专门用例

  • Computer Use OOTB

    • 即用型实现
    • 全面的工具集

  • Cua

    • 计算机使用接口与代理

  • Cybergod

    • 高级计算机控制

  • Grunty

    • 计算机控制代理
    • 专注于任务自动化

  • Inferable

    • 分布式代理构建平台
    • 可利用现有代码构建工具

  • LaVague

    • AI网络代理框架
    • 模块化架构

  • Mac Computer Use

    • MacOS专用工具
    • Anthropic集成

  • NatBot

    • 浏览器自动化
    • GPT-4 Vision集成

  • Notte Browser Using Agent

    • 全栈网络AI代理框架（代理、自动化、云浏览器会话）
    • Notte将网站转化为用自然语言描述的结构化可导航地图

  • OpenAdapt

    • AI优先的流程自动化
    • 多模态模型集成

  • OpenInterface

    • 开源UI交互框架
    • 跨平台支持

  • OpenInterpreter

    • 通用计算机控制框架
    • 基于Python的可扩展架构

  • E2B的开源计算机使用

    • 计算机控制功能的开源实现
    • 为AI代理提供安全的沙箱环境

  • Self-Operating Computer（2023年11月）

    • 第一个创建的计算机使用框架
    • 计算机控制框架
    • 基于视觉的自动化

  • Skyvern

    • AI网络代理框架
    • 使用LLM结合视觉和HTML提取自动化基于浏览器的工作流

  • Surfkit

    • 设备操作工具包
    • 可扩展的代理框架

  • WebMarker

    • 网页标注工具
    • 支持视觉-语言模型

  • Upsonic

    • 可靠的代理框架，支持MCP
    • 集成浏览器使用和计算机使用

UI 接地

UI 基础

  • AskUI/PTA-1

    • 一款基于 Florence-2 的小型视觉语言模型，用于电脑和手机自动化。
    • 该模型仅包含 2.7 亿个参数，在 GUI 文本和元素定位任务上表现优于参数量大得多的其他模型。

  • Microsoft/OmniParser

    • 一种通用的屏幕解析工具，可将 UI 截图解释或转换为结构化格式，从而提升现有基于 LLM 的 UI 代理性能。

环境与沙箱

环境与沙箱


自动化

自动化

  • nut.js

    • 原生 UI 自动化工具
    • 基于 JavaScript/TypeScript 实现

  • PyAutoGUI

    • 跨平台 GUI 自动化工具
    • 基于 Python 的控制库

商业应用

框架与模型

Frameworks & Models

  • Anthropic Claude 计算机使用

    • 商业化的计算机控制能力
    • 与 Claude 3.5 系列模型集成

  • Multion

    • 可在任何网页环境中完整完成任务的 AI 代理

  • Runner H

    • 面向真实世界应用的先进 AI 代理
    • 在 WebVoyager 测试中获得 67% 的得分

贡献指南

我们欢迎并鼓励社区成员的贡献！以下是您可以参与的方式：

  • 添加新资源：如果您发现相关论文、项目或工具，请提交 Pull Request 将其加入。
  • 修复错误：帮助我们纠正现有条目中的任何错误。
  • 优化组织结构：提出更好的信息组织方式建议。
  • 更新内容：确保条目始终反映最新的发展动态。

参与贡献的步骤：

  1. 克隆仓库并创建分支。
  2. 提交包含清晰说明的 Pull Request，描述您的新增或修改内容。
  3. 在 X 社区 中发布消息，告知大家您新增的资源。

有关如何格式化贡献内容的示例，请参阅此 PR：https://github.com/francedot/acu/pull/1。


感谢您为传播关于计算机使用 AI 代理的知识所做出的贡献！

相似工具推荐

openclaw

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。 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。 OpenClaw 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

★ 349.3k|★★★☆☆|4天前
Agent开发框架图像

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。

★ 162.1k|★★★☆☆|4天前
开发框架图像Agent

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

★ 148.6k|★★☆☆☆|今天
开发框架Agent语言模型

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。

★ 108.1k|★★☆☆☆|昨天
开发框架图像Agent

gemini-cli

gemini-cli 是一款由谷歌推出的开源 AI 命令行工具，它将强大的 Gemini 大模型能力直接集成到用户的终端环境中。对于习惯在命令行工作的开发者而言，它提供了一条从输入提示词到获取模型响应的最短路径，无需切换窗口即可享受智能辅助。 这款工具主要解决了开发过程中频繁上下文切换的痛点，让用户能在熟悉的终端界面内直接完成代码理解、生成、调试以及自动化运维任务。无论是查询大型代码库、根据草图生成应用，还是执行复杂的 Git 操作，gemini-cli 都能通过自然语言指令高效处理。 它特别适合广大软件工程师、DevOps 人员及技术研究人员使用。其核心亮点包括支持高达 100 万 token 的超长上下文窗口，具备出色的逻辑推理能力；内置 Google 搜索、文件操作及 Shell 命令执行等实用工具；更独特的是，它支持 MCP（模型上下文协议），允许用户灵活扩展自定义集成，连接如图像生成等外部能力。此外，个人谷歌账号即可享受免费的额度支持，且项目基于 Apache 2.0 协议完全开源，是提升终端工作效率的理想助手。

★ 100.8k|★★☆☆☆|今天
插件Agent图像

markitdown

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。 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。 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

★ 93.4k|★★☆☆☆|3天前
插件开发框架