企业官网建设流程全解析

UI-TARS Desktop 快速上手：让视觉语言模型替你操作电脑的完整指南

【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

如果你还在手动点菜单、逐条复制数据、一遍遍重复同样的界面操作，不如把鼠标交给 AI。UI-TARS Desktop 是一个开源的桌面 GUI Agent，用一句中文或英文指令，它自己看屏幕、找按钮、动手完成任务。下面这套流程从装应用到跑通第一个任务只要十来分钟，我们直接开始。

十分钟内跑起来：安装与首次运行

环境要求，先对一遍：

• macOS 或 Windows；想驱动本机浏览器还需要 Chrome / Edge / Firefox 之一
• 目前只保证单显示器稳定，多屏环境部分任务会失败

安装：

• 最省事：从项目 Releases 页下载最新桌面版，macOS 把图标拖进 Applications，Windows 按向导装完即可
• Mac 上装了 Homebrew 的话，一行命令也行：brew install --cask ui-tars
• 源码党：

git clone https://gitcode.com/GitHub_Trending/ui/UI-TARS-desktop cd UI-TARS-desktop pnpm install pnpm run dev

首次运行先过权限关（macOS）：把应用拖进 Applications 后，去 系统设置 → 隐私与安全性，打开辅助功能和屏幕录制两项授权，然后打开应用：

模型怎么配：打开设置，把 VLM Provider、Base URL、API Key、模型名四样填齐（各平台的部署方法见 docs/deployment.md）。以火山引擎的 Doubao-1.5-UI-TARS 为例：

VLM Provider: VolcEngine Ark for Doubao-1.5-UI-TARS VLM Base URL: https://ark.cn-beijing.volces.com/api/v3 VLM API KEY: YOUR_API_KEY VLM Model Name: doubao-1.5-ui-tars-250328

Provider 下拉框务必选对应项，选错了模型的动作会解析失败；Base URL 结尾要带/v1。填完点Check Model Availability确认能连通再保存。

跑第一个任务：新建会话时选场景（Computer 操作本机 / Browser 驱动浏览器），输入指令、点启动：

之后它会自己截屏、规划、点击，你只管看着。任务结束还能把整段过程导出成 HTML 报告。

它是怎么工作的：截屏、思考、动手三步循环

把 UI-TARS Desktop 想成一位新来的实习生：先看清楚屏幕，再决定点哪里，做一步看一步，直到把活干完。它内部就是一个不断重复的循环：

1. 截屏——拍一张当前屏幕的"快照"
2. 规划——VLM（视觉语言模型）看一眼，输出下一步动作，比如"点击坐标 (812, 437)"
3. 执行——驱动鼠标键盘把动作做掉
4. 验证——再截一张屏确认结果，不对就继续下一轮

最关键的差别：模型读的是原始像素，不是 DOM 树或元素选择器。所以它对浏览器、IDE、原生应用一视同仁——就像一个真人盯着屏幕干活。每轮循环的步数上限由设置里的Max Loop控制，动作之间的停顿由Loop Wait Time控制，后面避坑部分会讲它们各自挡什么。

场景实战

用一句话改 VS Code 设置

官方演示里最经典的例子：

"请帮我在 VS Code 设置里打开自动保存，并让 AutoSave 延迟 500 毫秒生效。"

不需要你告诉它菜单在哪，AI 自己定位路径、找到选项、完成修改。把需求写成一句话，就是这类工具的全部使用门槛。

用浏览器 Agent 查资料

选 Browser 模式（前提：本机装了 Chrome / Edge / Firefox）。官方演示的指令是"查一下 UI-TARS-Desktop 项目在 GitHub 上的最新 issue"，模型会自己开浏览器、导航、读屏、把结果汇报回来。搜索查资料、批量填表、跨系统抄数据这类重复浏览器工作，都适用。

把执行过程变成可分享的报告

每个任务都能导出带逐步截图的 HTML 报告：验收结果、排查"第几步点歪了"、或把操作记录发给同事，都靠它。这也是 UI-TARS Desktop 和普通"按键精灵"最大的区别——每一步都有据可查。

避坑指南：5 个最常见的坑和解法

UI-TARS Desktop 把"看屏幕、找按钮、做操作"这串重复劳动整个自动化了，你只需要交代目标和验收结果。更多参数说明在 docs/setting.md，桌面应用源码在 apps/ui-tars/src/，遇到问题可以去项目 issue 区或官方 Discord 社区提，欢迎边用边提反馈。

【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