用自然语言操作电脑UI-TARS桌面版GUI自动化从安装到跑通第一个任务【免费下载链接】UI-TARS-desktopThe Open-Source Multimodal AI Agent Stack: Connecting Cutting-Edge AI Models and Agent Infra项目地址: https://gitcode.com/GitHub_Trending/ui/UI-TARS-desktop桌面堆了37个PDF文件名是一串编号要按月份归档进文件夹。这事交给UI-TARS桌面版一句话就能完成把桌面上的PDF按文件名里的日期归到对应月份的文件夹它会自己截屏、看懂内容、建文件夹、逐个挪文件。本质是视觉语言模型驱动GUI自动化模型负责看屏幕、定动作桌面应用负责在真实系统里执行点击和输入。这条链路从安装讲到跑通第一个任务照做即可。⬇️ 装好它·两系统各需做对一件事macOS权限双开 / Windows SmartScreen放行先去仓库 Releases 页下载对应系统的安装包macOS 把 UI TARS 图标拖进 Applications 就算装完装了 Homebrew 的话brew install --cask ui-tars一条命令也行。真正容易卡住的是权限——系统设置 → 隐私与安全性里要把 UI TARS 的辅助功能和屏幕录制两个开关都打开前者管它能不能动你的鼠标键盘后者管它能不能看见屏幕少开一个它就只能干看着。Windows 侧双击 UI.TARS-0.1.0-preview.Setup.exe 一路下一步即可但 SmartScreen 通常会先拦一道Windows 已保护你的电脑。这是未识别发行者的常规拦截展开更多信息后点仍要运行放行。装完顺手把 Chrome 或 Edge 更新到最新版后面的浏览器模式要直接调用本机浏览器。还有个前提容易忽略目前只支持单显示器环境多屏任务可能失败双屏机器先收一屏再跑。⚙️ 配好脑子·让模型接管屏幕理解VLM Base URL必须以/v1结尾UI-TARS桌面版自己不内置模型看懂屏幕外包给一个 OpenAI 兼容的视觉语言模型接口。接法两种火山引擎 Ark 上的 Doubao-1.5-UI-TARS拿到 API Key 直接填最省事或者在 Hugging Face Inference Endpoints 上部署 UI-TARS-1.5-7B 自己托管。这一步基本决定体验上限——看屏准不准、规划稳不稳全在模型端后端没接对后面全是白跑。填参数最容易翻车的是 Base URL必须以/v1/结尾。反例是把端点页的根地址https://xxxx.huggingface.cloud直接粘进去请求会打到不存在的接口正确写法是https://xxxx.huggingface.cloud/v1/。VLM Provider 下拉也要和模型配套UI-TARS-1.5 选 Hugging Face for UI-TARS-1.5动作解析的格式才对得上。四个字段填完点一次 Check Model Availability通了再往下走。️ 跑通第一个任务·以文件整理为例UI-TARS桌面版本地计算机模式全流程点 New Chat先做模式选择Use Local Computer 管整台电脑Use Local Browser 管浏览器窗口。整理本地文件选前者。在输入框里写一句具体的指令比如把桌面上的PDF按文件名里的日期移到Documents下对应月份的文件夹没有就新建回车开跑。之后进入截图 → 推理 → 执行的循环模型每轮拿到最新屏幕截图输出一句思考和一条动作点击、输入、滚动应用在真实屏幕上执行再把新截图喂回去。会话流里每一步的推理文本和动作参数都摊开右侧面板是截图查看器滑块一拖就能回看任意一帧等于全程有录像。跑完点会话上方的报告图标能导出 HTML 执行报告指令、截图、动作逐步记录在案配置过 Report Storage 地址的话导出时直接给一个可分享链接。想中途叫停更简单右上角 Terminate 结束会话资源立即释放已有报告不受影响。 换个场景·浏览器自动化的差异点本地浏览器模式交互细节同一个应用切到 Use Local Browser执行对象从整块屏幕变成真实浏览器窗口。前置条件是本机装好 Chrome、Edge 或 Firefox 之一而且它操作的是带登录态的本人浏览器不是无头实例——之前登录过的站点不用重登这点比不少自动化工具省心。流程上还是输入指令→观察执行循环→看报告差异在动作细节填表单时它会先点进输入框再输入内容下拉框和日期选择器靠点可见元素完成你不需要提供选择器。Operator Settings 里还能指定浏览器模式的默认搜索引擎Google、Bing、Baidu 三选一国内网络把 Baidu 设成默认更顺。️ 本地跑不动时·远程会话是什么体验30分钟免费额度不想在本地开权限、或者想先验个证可以走远程模式云浏览器和云桌面由服务端拉起你盯的是一路云端屏幕流所有点击发生在云端本地文件一点不碰。右上角有30-minute free credit倒计时免费额度用完或点 Terminate云端会话随之结束资源自动释放。体验上和本地模式几乎同构只是执行环境换了地方适合先看看效果再决定要不要长期本地跑的阶段。【免费下载链接】UI-TARS-desktopThe Open-Source Multimodal AI Agent Stack: Connecting Cutting-Edge AI Models and Agent Infra项目地址: https://gitcode.com/GitHub_Trending/ui/UI-TARS-desktop创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
