clickclickclick

收录理由

这个框架不满足于让大模型生成文字，而是把它变成能真正操作界面的智能体。它把任务拆成两步：规划者负责决定下一步做什么，查找者负责在屏幕上定位对应的UI元素，随后在Android或macOS上执行操作。你可以接Gemini、GPT-4o这类云端模型，也可以完全通过Ollama在本地跑，比如搭配Llama 3.2-vision或qwen3.5:4b。演示视频里，它起草了一封Gmail邮件、在Google Maps里找出密歇根州Alanson的公交站，还在Lichess上开了一盘3+2的棋局。代码本身明确标注为高度实验性，后续提交还会继续演进，使用时需要自己承担风险。把它当作你自建计算机操作代理的起点，而不是一个成熟稳定的成品。