Midscene Chrom插件：AI像真人般操作浏览器

2025-02-06

Surf.new：AI自动控制浏览器完成任务.

控制浏览器完成任务的免费AI Agent啊！今天淘到的这个叫做surf.new的Agent就牛逼了，我么可以给他下一个指令，然后它就能自动帮我们细化这个指令，然后一步步操作浏览器来完成我们的任务… Github项目入口在线访问入口

2025-02-18

OmniParser v2：开源AI自动控制电脑完成任务

免费开源AI自动控制你的电脑执行你下达的任务啊。今天要介绍的是微软的OmniParser V2，其实大家如果还记得的话，我接个月前就介绍过OmniParser的v1版本了，这次的升级版本比v1快了60%，能理解更多的屏幕和浏览器上的元素，它的工作原理就是对电脑截屏，然后通过各种视觉大语言模来解析应该操作当前屏幕的哪个位置… Github入口

2024-11-29

Claude Computer Use API - 大模型如真人操纵电脑

Claude Computer Use API是Anthropic为Claude模型推出的革命性功能，它让AI能够像真人一样操控电脑屏幕——移动鼠标、点击按钮、输入文字、滚动页面、浏览文件等。与传统的API调用不同，Computer Use API让Claude能”看”到屏幕截图，理解界面布局，然后自主执行操作。这意味着Claude可以帮你完成填写表单、查找文件、操作软件等一系列需要图形界面交互的任务，真正实现了”AI替你用电脑”。

2024-11-30

Agent.exe：手把手教你快速搭建AI控制电脑环境

AI Agent（智能体）是当前AI领域最热门的概念，它代表了大语言模型从”对话工具”到”行动者”的进化。一个AI Agent不仅能理解和生成文本，还能自主规划任务、使用工具、执行操作、从反馈中学习。Agent通常由三个核心组件构成：大脑（LLM负责推理决策）、感知（获取环境信息）和行动（调用工具API）。本视频全面解读AI Agent的概念、架构类型和实际应用场景。官方博客

2024-11-29

LLM Agent究竟是个什么鬼？

LLM Agent（大语言模型智能体）是当前AI领域最热门的概念之一。简单来说，Agent就是一个”会行动的LLM”——普通的ChatGPT只能回答问题，而Agent不仅能对话，还能自主调用工具、执行操作、规划任务。一个典型的LLM Agent架构包含：大语言模型作为”大脑”负责推理决策、工具调用能力（如搜索网页、执行代码、操作数据库）、记忆系统（短期和长期记忆）、以及任务规划能力。例如一个Agent可以自主完成”帮我订一张下周去北京的机票”这样的复杂任务——它需要搜索航班信息、比较价格、填写预订表单等一系列操作。本视频用通俗语言带你理解Agent的核心概念和实际应用。

2025-01-06

Browser Use Webui：AI自动操作浏览器

可以像真人般操作你的浏览器帮你完成任务的免费Agent啊！今天要跟大家分享的这个叫做browser-use-webui的agent就牛逼了，通过它我们可以给它一个指令，然后它就能操作浏览器来完成我们的人物。它后面可以介入免费的Gemini2.0，也可以介入价格便宜的几乎免费的最近风头正盛的国产deepseek v3模型。今天我们就Demo下deepseek的… 项目入口