目前像是 OpenClaw 、hermes 其实感觉操作/辅助的能力是有限的，基本上能力都是基于 cli 或命令行的，还不足以达到类人的级别（轻度使用，有错欢迎指正）
所以我做了一个 AI Agent 客户端，通过截图 + 视觉理解模型来分析屏幕内容，然后控制鼠标键盘完成任务（就像真的人一样去思考，操作）、支持 agent 推理出批处理指令（减少任务执行的时长）等等。
不依赖 DOM 选择器，不需要预写脚本，纯视觉理解 + 推理，基本上是有很大的场景泛化性的。
目前 Solo 模式可以自主的控制桌面应用（基于视觉的实时反馈）
测试过
- QQ 音乐的搜索，播放/暂停
- 查询 V2EX 哪天漏签了
技术栈是：Tauri + Rust / Python + FastAPI / React + TypeScript
目前项目还很早期，体验也不是那么的好，模型只兼容了 Qwen 、Mimo ，其他的 bug 肯定有，欢迎来提 issue 或者 一起搞建设。
后面预期会加上 IM 通信、更好的 hermes 生态、定时任务等等。
有了这些其实 agent 能做的事情就会更多了，后期定好私域的 skill 等等，能真正做很多事，Computer-use 基本就会到头了。
在 AI 原生操作系统到来之前，视觉方案的 Computer-use 可能是最接近"类人操作"的过渡路径。
GitHub： https://github.com/Nex-Z/openEagle
Select Language