由字节跳动开发的开源多模态 AI 智能体（Agent）堆栈，包含通用智能体框架 Agent TARS 和桌面客户端 UI-TARS Desktop，通过视觉语言模型实现基于自然语言的计算机控制、浏览器自动化及 CLI 交互。
一分钟了解#
UI-TARS 是一个能让 AI "看懂"并"操作"电脑屏幕的开源项目。它包含两部分：Agent TARS（一个强大的 CLI/Web 开发框架）和 UI-TARS Desktop（一个可直接使用的桌面控制软件）。通过接入视觉大模型，它不仅能理解你的自然语言指令，还能控制鼠标、键盘和浏览器来帮你完成任务（如订票、写代码、绘图）。
核心价值：将复杂的 GUI 自动化操作转化为简单的自然语言交互，支持本地与远程控制，且提供灵活的开发框架。
快速上手#
安装难度：低 - Agent TARS CLI 可通过 npx 一键启动（需 Node.js >= 22）；桌面端需下载应用包。
# 使用 npx 直接启动 Agent TARS（无需全局安装）
npx @agent-tars/cli@latest
# 或者全局安装
npm install @agent-tars/cli@latest -g
# 启动并配置模型服务商（如火山引擎或 Anthropic）
agent-tars --provider volcengine --model doubao-1-5-thinking-vision-pro-250428 -- apiKey your-api-key
适合我的场景吗？
- ✅ 自动化繁琐操作：需要重复操作网页、点击按钮、填写表单的场景。
- ✅ 远程电脑运维：需要远程控制电脑或浏览器进行特定任务。
- ✅ AI 应用开发者：想基于 MCP 协议或视觉模型构建 Agent 应用。
- ❌ 极高稳定性要求：由于基于视觉概率模型，偶尔的操作识别偏差在所难免。
核心能力#
1. UI-TARS Desktop - 个人 AI 操作助手#
- 直接安装在你的电脑上，通过自然语言指令控制本地应用（如 VS Code 设置）、浏览网页或进行远程操作。
- 实际价值：完全本地化处理，隐私安全；支持远程电脑控制，无需复杂配置即可实现远程 AI 代操作。
2. Agent TARS - 开发者智能体框架#
- 提供 CLI 和 Web UI 两种交互模式，支持混合浏览器控制（结合 GUI Agent 和 DOM 操作）。
- 实际价值：基于事件流驱动，便于调试和追踪数据流，内置 MCP (Model Context Protocol) 集成，可轻松挂载各种工具。
3. 视觉理解与精准控制#
- 利用 UI-TARS 和 Seed-1.5/1.6 系列模型，具备强大的截图识别和鼠标键盘精准控制能力。
- 实际价值：不仅仅能"看"屏幕，还能进行像素级的点击和拖拽操作，支持跨平台。
技术栈与集成#
开发语言：JavaScript / TypeScript (Node.js 环境) 主要依赖：Node.js >= 22，视觉语言模型 (VLM) API（如火山引擎 Doubao 或 Anthropic Claude） 集成方式：
- CLI 工具：通过命令行参数配置。
- MCP 协议：内核基于 MCP 构建，支持作为 Server 或 Client 集成到其他生态。
商用与许可#
许可证：Apache-2.0
- ✅ 商用：允许
- ✅ 修改：允许
- ✅ 分发：允许
- ⚠️ 限制：需保留版权声明和许可声明（详见 Apache 2.0 条款）。
文档与学习资源#
- 文档质量：基础完善，提供快速入门指南。
- 官方文档：见项目 README 及 Wiki。
- 社区支持：提供 Discord 社区交流。