懂AI

Self-Operating Computer 入门学习资料汇总 - 让AI模型操控计算机的开源框架

RayRay
Self-Operating Computer多模态模型GPT-4o键盘鼠标操作API接口Github开源项目

什么是Self-Operating Computer?

Self-Operating Computer是由OthersideAI开发的一个开源框架,它允许多模态AI模型通过视觉输入和鼠标键盘操作来控制计算机,就像人类操作电脑一样。该框架使用与人类操作员相同的输入和输出,模型通过查看屏幕并决定一系列鼠标和键盘动作来达成目标。

Self-Operating Computer架构图

核心特性

  • 兼容性: 设计用于支持各种多模态模型
  • 集成: 目前已集成GPT-4、Gemini Pro Vision、Claude 3和LLaVA等模型
  • 跨平台: 支持Mac OS、Windows和Linux(需安装X server)
  • 多种操作模式: 支持OCR、语音输入、Set-of-Mark等多种操作模式

快速上手

  1. 安装项目:
pip install self-operating-computer
  1. 运行项目:
operate

  1. 输入OpenAI API密钥(如果没有,可以在这里获取)

  2. 授予终端应用必要的权限(屏幕录制和辅助功能)

更多详细使用说明,请参考官方文档。

高级使用

多模态模型选择

可以使用-m参数选择不同的模型:

  • GPT-4 Vision: operate -m gpt-4-with-ocr(默认)
  • Gemini Pro Vision: operate -m gemini-pro-vision
  • Claude 3: operate -m claude-3
  • LLaVA: operate -m llava

语音模式

使用--voice参数启用语音输入模式:

operate --voice

OCR模式

OCR模式是默认模式,它为GPT-4提供了一个可点击元素的坐标哈希表:

operate -m gpt-4-with-ocr

Set-of-Mark提示模式

使用-m gpt-4-with-som命令启用Set-of-Mark(SoM)提示模式:

operate -m gpt-4-with-som

学习资源

  1. 官方GitHub仓库 - 包含完整源码和详细文档
  2. HyperwriteAI官网 - 了解更多关于开发团队的信息
  3. Discord社区 - 加入讨论,获取实时支持
  4. 项目Twitter - 关注最新动态
  5. 项目LinkedIn - 了解更多业界动态

贡献指南

如果您想为项目做出贡献,请查看CONTRIBUTING.md文件。

Self-Operating Computer是一个充满潜力的开源项目,它为AI自主操作计算机开辟了新的可能性。无论您是AI研究者、开发者还是对此感兴趣的爱好者,都可以通过上述资源深入了解并参与到这个激动人心的项目中来。让我们一起探索AI操控计算机的未来吧!

编辑推荐精选

讯飞智文

讯飞智文

一键生成PPT和Word，让学习生活更轻松

讯飞智文是一个利用 AI 技术的项目，能够帮助用户生成 PPT 以及各类文档。无论是商业领域的市场分析报告、年度目标制定，还是学生群体的职业生涯规划、实习避坑指南，亦或是活动策划、旅游攻略等内容，它都能提供支持，帮助用户精准表达，轻松呈现各种信息。

热门AI工具AI办公办公工具讯飞智文AI在线生成PPTAI撰写助手多语种文档生成AI自动配图
讯飞星火

讯飞星火

深度推理能力全新升级，全面对标OpenAI o1

科大讯飞的星火大模型，支持语言理解、知识问答和文本创作等多功能，适用于多种文件和业务场景，提升办公和日常生活的效率。讯飞星火是一个提供丰富智能服务的平台，涵盖科技资讯、图像创作、写作辅助、编程解答、科研文献解读等功能，能为不同需求的用户提供便捷高效的帮助，助力用户轻松获取信息、解决问题，满足多样化使用场景。

模型训练热门AI工具内容创作智能问答AI开发讯飞星火大模型多语种支持智慧生活
Spark-TTS

Spark-TTS

一种基于大语言模型的高效单流解耦语音令牌文本到语音合成模型

Spark-TTS 是一个基于 PyTorch 的开源文本到语音合成项目，由多个知名机构联合参与。该项目提供了高效的 LLM（大语言模型）驱动的语音合成方案，支持语音克隆和语音创建功能，可通过命令行界面（CLI）和 Web UI 两种方式使用。用户可以根据需求调整语音的性别、音高、速度等参数，生成高质量的语音。该项目适用于多种场景，如有声读物制作、智能语音助手开发等。

Trae

Trae

字节跳动发布的AI编程神器IDE

Trae是一种自适应的集成开发环境（IDE），通过自动化和多元协作改变开发流程。利用Trae，团队能够更快速、精确地编写和部署代码，从而提高编程效率和项目交付速度。Trae具备上下文感知和代码自动完成功能，是提升开发效率的理想工具。

热门AI工具生产力协作转型TraeAI IDE
咔片PPT

咔片PPT

AI助力，做PPT更简单！

咔片是一款轻量化在线演示设计工具，借助 AI 技术，实现从内容生成到智能设计的一站式 PPT 制作服务。支持多种文档格式导入生成 PPT，提供海量模板、智能美化、素材替换等功能，适用于销售、教师、学生等各类人群，能高效制作出高品质 PPT，满足不同场景演示需求。

讯飞绘文

讯飞绘文

选题、配图、成文，一站式创作，让内容运营更高效

讯飞绘文，一个AI集成平台，支持写作、选题、配图、排版和发布。高效生成适用于各类媒体的定制内容，加速品牌传播，提升内容营销效果。

AI助手热门AI工具AI创作AI辅助写作讯飞绘文内容运营个性化文章多平台分发
材料星

材料星

专业的AI公文写作平台，公文写作神器

AI 材料星，专业的 AI 公文写作辅助平台，为体制内工作人员提供高效的公文写作解决方案。拥有海量公文文库、9 大核心 AI 功能，支持 30 + 文稿类型生成，助力快速完成领导讲话、工作总结、述职报告等材料，提升办公效率，是体制打工人的得力写作神器。

openai-agents-python

openai-agents-python

OpenAI Agents SDK，助力开发者便捷使用 OpenAI 相关功能。

openai-agents-python 是 OpenAI 推出的一款强大 Python SDK，它为开发者提供了与 OpenAI 模型交互的高效工具，支持工具调用、结果处理、追踪等功能，涵盖多种应用场景，如研究助手、财务研究等，能显著提升开发效率，让开发者更轻松地利用 OpenAI 的技术优势。

Hunyuan3D-2

Hunyuan3D-2

高分辨率纹理 3D 资产生成

Hunyuan3D-2 是腾讯开发的用于 3D 资产生成的强大工具，支持从文本描述、单张图片或多视角图片生成 3D 模型，具备快速形状生成能力，可生成带纹理的高质量 3D 模型，适用于多个领域，为 3D 创作提供了高效解决方案。

3FS

3FS

一个具备存储、管理和客户端操作等多种功能的分布式文件系统相关项目。

3FS 是一个功能强大的分布式文件系统项目，涵盖了存储引擎、元数据管理、客户端工具等多个模块。它支持多种文件操作，如创建文件和目录、设置布局等，同时具备高效的事件循环、节点选择和协程池管理等特性。适用于需要大规模数据存储和管理的场景，能够提高系统的性能和可靠性，是分布式存储领域的优质解决方案。

下拉加载更多