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
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。
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。
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。
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
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
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。
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