UI-TARS：字节开源的GUI Agent，截图就能操控任意软件

一句话总结

截图就能操控任意软件，微信、钉钉、Photoshop、Excel，只要是你能看到的界面，这个AI都能像人一样操作。

项目介绍

UI-TARS，字节跳动开源的GUI Agent。看屏幕截图就能理解界面，然后像人一样点击、输入、拖拽。

• GitHub: 11,000+ Stars
• 协议: Apache-2.0（商用免费）
• 模型: 7B参数，一张RTX 4090就能本地部署

核心能力

看截图操作：给它一张屏幕截图，它就能理解界面有什么按钮、输入框，然后决定要点哪里、输入什么。

三大卖点

1. 任意软件都能操控

• 微信发消息、钉钉打卡
• Photoshop修图、Excel填数据
• 只要是有界面的软件，UI-TARS都能操作

2. 中文支持极好

• 很多AI工具主要优化英文界面
• UI-TARS对中文界面识别率极高
• 微信钉钉这些中文软件操作很稳

3. 开源免费 + 本地部署

• Apache-2.0协议，商用不花钱
• 7B模型一张RTX 4090就能跑
• 数据全在自己电脑上，隐私有保障

上手体验

Mac一行命令安装：

brew install --cask ui-tars

• 桌面应用，无需GPU
• 直接用云端模型
• 有好显卡？本地跑7B模型效果更强

自然语言下指令：

• "打开微信给张三发消息"
• "在Excel里填完这列数据"
• "把这张图P成黑白的"

适合谁

1. 自动化桌面操作 — 批量处理Excel、自动填表
2. 中文软件用户 — 微信钉钉操作多
3. 隐私敏感用户 — 本地部署，数据不出门

注意事项

• 操作速度3-8秒/步，复杂任务需要耐心
• 目前主要支持单显示器

GitHub搜 UI-TARS 就能找到，感兴趣的评论区扣一。