a.内容描述
-
核心功能定位：该项目是一个开源的智能GUI代理框架，旨在通过代理-计算机接口实现与计算机的自主交互，构建能够从过往经验中学习并在计算机上自主执行复杂任务的智能GUI代理系统。
-
关键应用场景：该框架适用于需要自动化计算机操作的各种场景，包括但不限于自动化测试、批量任务处理、智能助手等，支持在Android应用市场排名靠前的APP、某知名操作系统等多种环境下运行。
b.功能特性
- 多模型支持：支持Azure OpenAI、Anthropic、Gemini、Open Router和vLLM推理等多种模型提供商
- 跨平台兼容：支持Linux、macOS和Windows操作系统
- 智能交互能力：具备规划、反思、执行等完整的代理能力栈
- 视觉定位功能：集成专门的视觉定位模型用于界面元素识别
- 知识记忆系统：内置知识库和记忆系统，支持从过往经验中学习
- 模块化架构：采用组件化设计，支持灵活的功能扩展
d.使用说明
安装配置
通过pip安装核心包：pip install gui-agents 需要安装额外的OCR依赖：brew install tesseract
API配置
支持环境变量或代码方式配置API密钥，包括OPENAI_API_KEY、ANTHROPIC_API_KEY等。
命令行使用
通过agent_s命令启动代理，需要指定主模型提供商、模型名称、定位模型参数等必需参数。
SDK集成
提供Python SDK支持，可通过导入AgentS3和OSWorldACI类进行编程式集成，支持自定义屏幕分辨率、最大轨迹长度等参数配置。
e.潜在新需求
（1）需求1：用户希望增加对PDF等外部文件的支持，以增强任务上下文理解能力 （2）需求2：用户希望改进多显示器支持，将操作限定在单一显示器范围内 （3）需求3：用户希望增加异步预测功能和流式返回中间结果 （4）需求4：用户希望增强JSON解析的鲁棒性，支持更多输出格式 （5）需求5：用户希望改进定位模型的准确性和性能 （6）需求6：用户希望增加更多本地模型支持，减少对云端API的依赖 （7）需求7：用户希望改进知识库下载和管理的稳定性 （8）需求8：用户希望增强对不同模型提供商嵌入向量的兼容性