[JS/TS] GitHub标星23.5k：字节跳动开源多模态AI代理栈，赋能终端与桌面交互

今天为大家介绍的项目是 TARS，一个由字节跳动开源的、在 GitHub 上标星超过 23.5k 的多模态 AI 代理栈（AI Agent Stack）。它目前包含两个核心子项目：Agent TARS 和 UI-TARS-desktop。

1. Agent TARS：通用的多模态 AI 代理栈

Agent TARS 是一个通用的多模态 AI 代理栈，旨在将 GUI Agent 和视觉识别的强大能力引入终端、计算机、浏览器乃至你的产品中。

它的目标是通过前沿的多模态大语言模型（LLMs）以及与各种现实世界 MCP（Model Context Protocol）工具的无缝集成，打造更接近人类完成任务方式的工作流。该项目主要提供 CLI（命令行界面）和 Web UI 供开发者使用。

核心特征

• 开箱即用：提供一键启动的 CLI，支持带界面的 Web UI 模式和无界面的服务器执行模式。
• 混合浏览器智能体：能够通过 GUI Agent、DOM 操作或混合策略来控制浏览器，实现网页自动化。
• 事件流驱动：基于协议驱动的事件流（Event Stream）来驱动上下文工程（Context Engineering）和代理用户界面（Agent UI）。
• 强大的工具集成：内核构建在 MCP 之上，同时支持挂载额外的 MCP Servers 来连接现实世界的各类工具，极大地扩展了 AI Agent 的能力边界。

快速开始

你可以通过以下几种方式快速启动 Agent TARS：

# 使用 `npx` 临时启动（无需安装）。
npx @agent-tars/cli@latest

# 全局安装，需要 Node.js >= 22 环境。
npm install @agent-tars/cli@latest -g

# 使用你喜欢的模型提供商运行，例如火山引擎或 Anthropic。
agent-tars --provider volcengine --model doubao-1-5-thinking-vision-pro-250428 --apiKey your-api-key
agent-tars --provider anthropic --model claude-3-7-sonnet-latest --apiKey your-api-key

2. UI-TARS Desktop：本机原生 GUI 智能体

UI-TARS Desktop 是一个由 UI-TARS 框架和 Seed-1.5-VL/1.6 系列视觉语言模型驱动的原生 GUI 智能体应用。它可以直接在你的本地计算机上运行，通过自然语言指令来控制桌面应用。

核心特征

• 视觉语言驱动：完全由视觉语言模型（Vision-Language Model）驱动，实现用自然语言控制电脑。
• 精准的视觉识别：支持屏幕截图和视觉元素识别，让智能体能“看到”屏幕内容。
• 底层输入控制：提供精确的鼠标移动、点击和键盘输入模拟控制。
• 跨平台支持：兼容 Windows、macOS 及浏览器环境。
• 实时反馈：操作过程中提供实时状态反馈和显示。
• 隐私安全：所有数据处理均在本地完成，保障了用户隐私和安全。

作为一个功能强大的 开源实战 项目，UI-TARS-desktop 的代码仓库地址为：https://github.com/bytedance/UI-TARS-desktop。

整个 TARS 项目栈基于现代化的技术构建，其 CLI 工具依赖于 Node.js 环境，展示了在桌面自动化和智能交互领域的前沿探索。对于关注 AI 与自动化结合的开发者而言，这无疑是一个值得深入研究的技术范本。如果你对这类技术讨论感兴趣，欢迎在技术社区进行交流。