企业官网建设流程全解析

UI-TARS 桌面版入门指南：配置模型后跑通第一个自动化任务

【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

在输入框里敲下"打开 VS Code，把自动保存延迟设为 500 毫秒"，UI-TARS 桌面版会接管你的鼠标键盘，在设置面板里逐项完成修改。UI-TARS Desktop 是基于 UI-TARS 视觉语言模型的开源桌面 GUI Agent 应用，提供本地电脑操作与本地浏览器操作两种模式，适合想直接用自然语言完成重复性电脑操作、又不打算写自动化脚本的用户。

🖥️ 先看三个能跑通的实际场景

场景一：修改 VS Code 的自动保存配置（本地电脑模式）

• 输入：指令"帮我打开 VS Code 的自动保存功能，并将自动保存延迟设为 500 毫秒"
• 过程：应用逐轮截屏识别界面，打开 VS Code，定位到设置入口，勾选自动保存并填入 500 毫秒
• 输出：配置被实际修改，每一步动作都留有截屏记录，可导出为 HTML 报告

场景二：查看 GitHub 仓库的最新 Issue（本地浏览器模式）

• 输入："帮我查看 UI-TARS-Desktop 项目在 GitHub 上最新的 open issue"
• 过程：应用启动本机已安装的 Chrome、Edge 或 Firefox，导航到仓库页面，识别 Issue 列表
• 输出：最新 issue 的标题与状态直接呈现，操作过程同样可导出报告

场景三：比较商品价格（本地浏览器模式）

• 输入："帮我比较一下 iPhone 的价格"
• 过程：在设置中配置的搜索引擎（默认 Google，可改为 Bing 或百度）里检索，逐个打开结果页读取价格
• 输出：多个渠道的价格对比结果

主界面是欢迎页：左侧卡片是 Computer Operator，右侧卡片是 Browser Operator，各有一个 Use Local Computer / Use Local Browser 按钮，分别进入对应模式。页面上还有远程 operator 的入口，不过官方文档注明 Remote Operator 服务将于 2025 年 8 月 20 日停止，新手优先走本地模式即可。

⚙️ UI-TARS Desktop 安装步骤与系统要求

安装分四步：

1. 从项目 Releases 页面下载安装包
2. macOS 用户把 UI TARS 图标拖进 Applications 文件夹；如果你装了 Homebrew，也可以直接运行brew install --cask ui-tars

3. macOS 用户要给应用两项权限：打开"系统设置 → 隐私与安全性"，分别打开"辅助功能"和"屏幕录制"

4. Windows 用户双击安装包，遇到安全提示时点"仍要运行"

最小必要配置：接入 VLM 模型

应用本身不带模型能力，需要先配置一个视觉语言模型服务。设置页共五个字段：Language、VLM Provider、VLM Base URL、VLM API Key、VLM Model Name。

走火山引擎 Doubao-1.5-UI-TARS 是最省事的路子，按官方示例填写：

• Language：中文
• VLM Provider：VolcEngine Ark for Doubao-1.5-UI-TARS
• VLM Base URL：https://ark.cn-beijing.volces.com/api/v3
• VLM API Key：在火山引擎"API 推理"页面获取
• VLM Model Name：doubao-1.5-ui-tars-250328

如果你选择在 Hugging Face 自行部署 UI-TARS-1.5，有两个易错点：VLM Provider 必须选"Hugging Face for UI-TARS-1.5"，VLM Base URL 要以/v1/结尾，具体数值以你的 endpoint 页面为准。填完后点设置页的 Check Model Availability 先验证连通性，再开始任务。

完整走一遍：从输入指令到导出报告

1. 打开应用看到欢迎页，按任务类型选模式：操作桌面应用选 Use Local Computer，网页任务选 Use Local Browser。

2. 以本地电脑模式为例，输入指令："帮我打开 VS Code 的自动保存功能，并将自动保存延迟设为 500 毫秒"，发送。
3. 执行期间，模型按"截屏 → 决策 → 动作"的循环推进。设置里的 Max Loop 控制每轮对话的最大步数（默认 100，范围 25 到 200），Loop Wait Time 是每轮截屏前的等待时间（默认 1000 毫秒），如果操作对象加载慢，可以适当调大。
4. 任务完成后（或点 Terminate 主动结束），点击 Export as HTML 下载报告，里面包含每轮截屏与动作记录，方便复盘模型到底做了什么。

🐛 UI-TARS 桌面版常见问题

1. macOS 下应用无法点击或无法截屏

• 现象：任务开始后应用没有实际控制鼠标键盘
• 原因："辅助功能"或"屏幕录制"权限没有开启
• 解决：重新进入系统设置 → 隐私与安全性，确认两项开关都打开，重开应用再试

2. 模型连通性检查失败

• 现象：点 Check Model Availability 后验证不通过
• 原因：Base URL 格式不对（Hugging Face 自部署路线要求以/v1/结尾），或 API Key 与 endpoint 不匹配
• 解决：对照 endpoint 页面逐项核对 URL、Key、模型名三个值，重新验证

3. 浏览器模式无法启动浏览器

• 现象：选择 Use Local Browser 后没有反应
• 原因：机器上没有安装受支持的浏览器
• 解决：先安装 Chrome、Edge 或 Firefox，再使用浏览器模式

4. 多显示器下任务失败或点击偏移

• 现象：任务中途失败，或点击位置对不上目标控件
• 原因：应用目前仅支持单显示器环境
• 解决：临时断开副屏，只用单显示器运行；复杂指令拆成小步骤执行

5. 任务未完成就停下了

• 现象：模型执行到一定步数后停止
• 原因：达到了 Max Loop 上限（默认 100 步）
• 解决：按需要调大 Max Loop（上限 200），或把指令拆细、减少总步数

下一步：深入配置与扩展

跑通第一个任务后，建议按这个顺序继续：

• 读 docs/setting.md，了解 Chat Settings（Language、Max Loop、Loop Wait Time）、搜索引擎选择与报告配置的完整参数
• 读 docs/quick-start.md，对照官方步骤补齐 Hugging Face 自部署的细节
• 用设置页的 Import Preset Config 按钮批量导入 YAML 预设，仓库内置示例在 examples/presets/
• 自部署模型的完整说明见 docs/deployment.md

整个流程就是安装、配模型、输指令、导报告这四步。把这条循环跑熟之后，剩下的工作主要是调参数和尝试更复杂的任务。

【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