ScreenAgent
由视觉语言大模型驱动的电脑控制工具
ScreenAgent项目创建了一个由视觉语言模型驱动的电脑控制环境，允许代理通过截图与真实屏幕互动并操作GUI。自动控制流程分为规划、执行和反思三个阶段，使代理能够完成多步骤任务。项目包含丰富的截图和操作序列数据集，支持包括GPT-4V、LLaVA-1.5、CogAgent和ScreenAgent在内的多种模型，并提供简化体验的网页版客户端。
项目介绍：ScreenAgent
ScreenAgent 是一个以视觉语言大模型为驱动的计算机控制代理项目。简而言之，ScreenAgent 项目旨在创建一个能够与真实计算机屏幕交互的环境，帮助视觉语言模型代理 (VLM Agent) 完成复杂的多步任务。
核心功能
ScreenAgent 提供了一个集观察、实操以及反思为一体的自动控制流程。在这个流程中，VLM Agent 会经历以下三个阶段：
- 计划阶段：在该阶段，代理会将用户任务分解为多个子任务。
- 执行阶段：代理通过观察屏幕截图并作出具体的鼠标和键盘操作来完成子任务。
- 反思阶段：代理对执行结果进行观察和判断，决定是否继续执行、重试或调整计划直至任务完成。
这种逐步执行的方式让代理能够持续地与计算机屏幕进行交互，显示出强大的通用性，可以被应用于不同的桌面操作系统和应用程序中。
数据集
为了支持上述功能，ScreenAgent 项目构建了一个数据集，记录了在完成各种日常计算机任务时的截图和动作序列。这些任务包括文件操作、网络浏览、游戏娱乐等，涵盖了丰富的电脑使用场景。
技术亮点
- 动作空间设计：ScreenAgent 通过参考 VNC 远程桌面连接协议构建了代理的动作空间，包括基础的鼠标和键盘操作。
- 自动化控制：通过 PyQt5 程序实现，控制器不仅收集截图并发出操作指令，还能与大模型推理 API 配合工作，自动解析模型生成的控制命令。
- 多模型适配：ScreenAgent 提供了对多种大模型的推理支持，包括 GPT-4V、LLaVA-1.5、CogAgent 和专属的 ScreenAgent 模型。
安装与运行
准备控制桌面
用户需要准备被控制的桌面系统 ，其中安装 VNC Server（例如 TightVNC）或使用带有 GUI 的 Docker 容器。
运行控制器代码
控制器负责连接 VNC Server，维护状态机，构建完成的提示词并解析大模型的回复指令。需要安装指定依赖库，并通过配置文件设定 API 信息和模型选择。
数据集运用
项目中使用了多种数据集用于训练，涵盖了视觉定位能力、网页浏览能力等多种应用场景，用户可以根据需求选择使用部分或全部数据。
未来计划
ScreenAgent 项目的未来计划包括简化控制器设计、整合 Gym 以及提供更多复杂功能支持等。
通过这样的设计，ScreenAgent 不仅是一个极具创新的项目，更在不断提升代理在真实计算机环境中的实操能力，为未来的智能交互技术奠定基础。
编辑推荐精选
蛙蛙写作
AI小说写作助手，一站式润色、改写、扩写
蛙蛙写作—国内先进的AI写作平台，涵盖小说、学术、社交媒体等多场景。提供续写、改写、润色等功能，助力创作者高效优化写作流程。界面简洁,功能全面,适合各类写作者提升内容品质和工作效率。
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。
问小白
全能AI智能助手，随时解答生活与工作的多样问题
问小白，由元石科技研发的AI智能助手，快速准确地解答各种生活和工作问题，包括但不限于搜索、规划和社交互动，帮助用户在日常生活中提高效率，轻松管理个人事务。
Transly
实时语音翻译/同声传译工具
Transly是一个多场景的AI大语言模型驱动的同声传译、专业翻译助手，它拥有超精准的音频识别翻译能力，几乎零延迟的使用体验和支持多国语言可以让你带它走遍全球，无论你是留学生、商务人士、韩剧美剧爱好者，还是出国游玩、多国会议、跨国追星等等，都可以满足你所有需要同传的场景需求，线上线下通用，扫除语言障碍，让全世界的语言交流不再有国界。
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。
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。
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。
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
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。
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。
推荐工具精选
AI云服务特惠
懂AI专属折扣关注微信公众号
最新AI工具、AI资讯
独家AI资源、AI项目落地
微信扫一扫关注公众号