如何搭建 UI-TARS 桌面版从安装配置到自动执行桌面任务的实战指南【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桌面上散落着 38 个 PDF文件名五花八门手动归档要翻来覆去点十几分钟。你只需要在输入框里打一句话把桌面上所有 PDF 移动到文档目录的 PDF 文件夹剩下的建文件夹、选中、拖拽都由程序代劳。UI-TARS 桌面版UI-TARS Desktop就是这样一款基于视觉语言模型的开源 GUI 自动化工具你用自然语言指令描述目标它负责截图、决策、执行替你走完整个操作闭环属于典型的 AI 桌面自动化方案。准备工作三步走下载、安装、授权官方目前提供 macOS 和 Windows 两个平台的桌面应用整体要求如下项目要求操作系统macOS、Windows显示器仅支持单显示器多屏环境可能导致任务失败浏览器使用浏览器操作模式前需安装 Chrome、Edge 或 Firefox 之一第一步获取安装包。从发行版本页下载对应平台的最新版macOS 用户如果装过 Homebrew也可以直接执行brew install --cask ui-tars完成安装。macOS 安装与权限配置打开安装包把UI TARS图标拖进Applications文件夹。进入「系统设置 → 隐私与安全性 → 辅助功能」打开 UI TARS 右侧的开关。回到同一层级的「屏幕录制」点「打开系统设置」并允许 UI TARS 录屏。两项权限分别对应动鼠标键盘和看屏幕缺任何一项任务都会卡在执行前。Windows 安装步骤双击运行UI.TARS-0.1.0-preview.Setup.exe。如果弹出Windows 已保护你的电脑提示点「仍要运行」。跟随安装向导完成首次启动即可进入主界面。接入模型服务服务商选择、API Key 与 Base URL应用本身不带模型需要接入一个 OpenAI 兼容协议的视觉语言模型接口。目前比较省事的两条路火山引擎 Ark 的 Doubao-1.5-UI-TARS托管服务开通后直接拿 Key免去部署。Hugging Face 自部署 UI-TARS-1.5-7B自己申请端点获得 Base URL、API Key、模型名三件套。在「设置 → VLM Settings」里要填四个字段VLM Provider、VLM Base URL、VLM API KEY、VLM Model Name。这里有两个高频坑点Provider 必须与模型匹配。比如自部署选 Hugging Face for UI-TARS-1.5火山引擎选 VolcEngine Ark for Doubao-1.5-UI-TARS选错会导致动作解析失败。Base URL 格式要严格。以 Hugging Face 端点为例地址必须以/v1/结尾形如https://xxx.huggingface.cloud/v1/直接复制 Endpoint URL 漏掉后缀是最常见的报错原因火山引擎 Ark 的示例则形如https://ark.cn-beijing.volces.com/api/v3。填完后点Check Model Availability能连通再开始任务比跑到一半报错省时间。首次运行从一句指令到一份报告点左上角New Chat新建会话。选择操作模式Use Local Computer本机桌面或Use Local Browser本机浏览器。在输入框输入指令按 Enter 开始执行。执行期间界面分左右两栏左侧是对话与动作日志右侧是当前屏幕截图。每一轮循环都是截图 → 模型给出下一步动作点击、输入、滚动等→ 执行 → 再截图你可以全程看到它做了什么、做没做对。默认最多执行 100 步可配范围 25~200每步之间默认等待 1000 毫秒方便页面动画落定。任务结束后会话可以点Export as HTML导出成 HTML 报告不配置报告服务时默认直接下载到本地如果配过 Report Storage Base URL则上传后自动把分享链接复制到剪贴板方便发给同事复查。操作模式对比本地电脑、本地浏览器与远程模式运行位置适合的任务限制Use Local Computer你的本机文件整理、桌面软件设置、跨应用流程需要辅助功能屏幕录制权限单显示器Use Local Browser本机 Chrome/Edge/Firefox网页表单、页面导航、信息抓取必须先装好兼容浏览器远程电脑 / 远程浏览器云端虚拟桌面本机配置低、想在隔离环境跑任务免费额度 30 分钟官方文档注明该免费服务计划于 2025-08-20 停服长期需求需自部署选择入口在新建会话时的模式卡片里选完再下指令远程模式下右上角会显示30-minute free credit倒计时点Terminate可手动结束会话并释放资源踩坑清单问题现象可能原因解决办法macOS 上模型看着动了、实际没点下去辅助功能或屏幕录制权限未开启两项都打开重装过应用后重新授权Check Model 一直失败HF 端点 Base URL 没以/v1/结尾或 Provider 选错对照端点页面核对 URL、Key、模型名三字段多屏环境下部分步骤失败目前仅支持单显示器改为单屏运行后再试浏览器模式无法启动缺少兼容浏览器安装最新版 Chrome、Edge 或 Firefox任务反复循环不结束指令模糊或触及 Max Loop 上限拆成多条小指令必要时调大 Max Loop25~200边界与适用人群它擅长步骤明确、可重复的 GUI 流程——文件批量归类、固定表单填写、跨页面收集信息、桌面软件的配置修改。指令越具体完成度越高。它不擅长需要主观判断的任务帮我挑个好看的方案超出 Max Loop 的超长流程多显示器环境以及界面经常改版、元素位置不稳定的网站。另外注意截图会发送到所选模型服务做推理涉密内容请先评估服务商的合规性。适合谁被重复性电脑操作消磨时间、想先用桌面应用验证 GUI 自动化价值的用户以及想基于ui-tars/sdk自建 Agent 的开发者CLI 可直接跑npx ui-tars/cli start体验。不适合谁期待一句话包办一切复杂工作的用户以及需要长期、多机、无人值守调度的生产场景——这类需求更适合自部署模型 SDK 集成而不是开箱即用的桌面端。写在最后UI-TARS 桌面版把截图—决策—执行的循环压缩成了一个输入框适合先把重复流程跑通、再逐步扩展。建议从整理文件这类低风险任务起步观察它的执行日志再逐步尝试多步骤任务。如果它没完成先看是权限、模型配置还是指令颗粒度的问题比反复重跑更有效。延伸阅读仓库内文档快速入门文档安装、取模型、跑通本地任务设置配置指南VLM、对话参数与报告服务的全部字段预设管理指南用 YAML 或 URL 导入整套配置SDK 开发文档用ui-tars/sdk构建自定义 GUI Agent示例预设目录可直接参考的配置模板【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创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考 如何搭建 UI-TARS 桌面版：从安装配置到自动执行桌面任务的实战指南
如何搭建 UI-TARS 桌面版从安装配置到自动执行桌面任务的实战指南【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桌面上散落着 38 个 PDF文件名五花八门手动归档要翻来覆去点十几分钟。你只需要在输入框里打一句话把桌面上所有 PDF 移动到文档目录的 PDF 文件夹剩下的建文件夹、选中、拖拽都由程序代劳。UI-TARS 桌面版UI-TARS Desktop就是这样一款基于视觉语言模型的开源 GUI 自动化工具你用自然语言指令描述目标它负责截图、决策、执行替你走完整个操作闭环属于典型的 AI 桌面自动化方案。准备工作三步走下载、安装、授权官方目前提供 macOS 和 Windows 两个平台的桌面应用整体要求如下项目要求操作系统macOS、Windows显示器仅支持单显示器多屏环境可能导致任务失败浏览器使用浏览器操作模式前需安装 Chrome、Edge 或 Firefox 之一第一步获取安装包。从发行版本页下载对应平台的最新版macOS 用户如果装过 Homebrew也可以直接执行brew install --cask ui-tars完成安装。macOS 安装与权限配置打开安装包把UI TARS图标拖进Applications文件夹。进入「系统设置 → 隐私与安全性 → 辅助功能」打开 UI TARS 右侧的开关。回到同一层级的「屏幕录制」点「打开系统设置」并允许 UI TARS 录屏。两项权限分别对应动鼠标键盘和看屏幕缺任何一项任务都会卡在执行前。Windows 安装步骤双击运行UI.TARS-0.1.0-preview.Setup.exe。如果弹出Windows 已保护你的电脑提示点「仍要运行」。跟随安装向导完成首次启动即可进入主界面。接入模型服务服务商选择、API Key 与 Base URL应用本身不带模型需要接入一个 OpenAI 兼容协议的视觉语言模型接口。目前比较省事的两条路火山引擎 Ark 的 Doubao-1.5-UI-TARS托管服务开通后直接拿 Key免去部署。Hugging Face 自部署 UI-TARS-1.5-7B自己申请端点获得 Base URL、API Key、模型名三件套。在「设置 → VLM Settings」里要填四个字段VLM Provider、VLM Base URL、VLM API KEY、VLM Model Name。这里有两个高频坑点Provider 必须与模型匹配。比如自部署选 Hugging Face for UI-TARS-1.5火山引擎选 VolcEngine Ark for Doubao-1.5-UI-TARS选错会导致动作解析失败。Base URL 格式要严格。以 Hugging Face 端点为例地址必须以/v1/结尾形如https://xxx.huggingface.cloud/v1/直接复制 Endpoint URL 漏掉后缀是最常见的报错原因火山引擎 Ark 的示例则形如https://ark.cn-beijing.volces.com/api/v3。填完后点Check Model Availability能连通再开始任务比跑到一半报错省时间。首次运行从一句指令到一份报告点左上角New Chat新建会话。选择操作模式Use Local Computer本机桌面或Use Local Browser本机浏览器。在输入框输入指令按 Enter 开始执行。执行期间界面分左右两栏左侧是对话与动作日志右侧是当前屏幕截图。每一轮循环都是截图 → 模型给出下一步动作点击、输入、滚动等→ 执行 → 再截图你可以全程看到它做了什么、做没做对。默认最多执行 100 步可配范围 25~200每步之间默认等待 1000 毫秒方便页面动画落定。任务结束后会话可以点Export as HTML导出成 HTML 报告不配置报告服务时默认直接下载到本地如果配过 Report Storage Base URL则上传后自动把分享链接复制到剪贴板方便发给同事复查。操作模式对比本地电脑、本地浏览器与远程模式运行位置适合的任务限制Use Local Computer你的本机文件整理、桌面软件设置、跨应用流程需要辅助功能屏幕录制权限单显示器Use Local Browser本机 Chrome/Edge/Firefox网页表单、页面导航、信息抓取必须先装好兼容浏览器远程电脑 / 远程浏览器云端虚拟桌面本机配置低、想在隔离环境跑任务免费额度 30 分钟官方文档注明该免费服务计划于 2025-08-20 停服长期需求需自部署选择入口在新建会话时的模式卡片里选完再下指令远程模式下右上角会显示30-minute free credit倒计时点Terminate可手动结束会话并释放资源踩坑清单问题现象可能原因解决办法macOS 上模型看着动了、实际没点下去辅助功能或屏幕录制权限未开启两项都打开重装过应用后重新授权Check Model 一直失败HF 端点 Base URL 没以/v1/结尾或 Provider 选错对照端点页面核对 URL、Key、模型名三字段多屏环境下部分步骤失败目前仅支持单显示器改为单屏运行后再试浏览器模式无法启动缺少兼容浏览器安装最新版 Chrome、Edge 或 Firefox任务反复循环不结束指令模糊或触及 Max Loop 上限拆成多条小指令必要时调大 Max Loop25~200边界与适用人群它擅长步骤明确、可重复的 GUI 流程——文件批量归类、固定表单填写、跨页面收集信息、桌面软件的配置修改。指令越具体完成度越高。它不擅长需要主观判断的任务帮我挑个好看的方案超出 Max Loop 的超长流程多显示器环境以及界面经常改版、元素位置不稳定的网站。另外注意截图会发送到所选模型服务做推理涉密内容请先评估服务商的合规性。适合谁被重复性电脑操作消磨时间、想先用桌面应用验证 GUI 自动化价值的用户以及想基于ui-tars/sdk自建 Agent 的开发者CLI 可直接跑npx ui-tars/cli start体验。不适合谁期待一句话包办一切复杂工作的用户以及需要长期、多机、无人值守调度的生产场景——这类需求更适合自部署模型 SDK 集成而不是开箱即用的桌面端。写在最后UI-TARS 桌面版把截图—决策—执行的循环压缩成了一个输入框适合先把重复流程跑通、再逐步扩展。建议从整理文件这类低风险任务起步观察它的执行日志再逐步尝试多步骤任务。如果它没完成先看是权限、模型配置还是指令颗粒度的问题比反复重跑更有效。延伸阅读仓库内文档快速入门文档安装、取模型、跑通本地任务设置配置指南VLM、对话参数与报告服务的全部字段预设管理指南用 YAML 或 URL 导入整套配置SDK 开发文档用ui-tars/sdk构建自定义 GUI Agent示例预设目录可直接参考的配置模板【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创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考