🚀 Agent TARS：字节跳动开源的多模态 AI Agent 工具栈，33k Stars，一行命令让电脑自己干活

项目地址：https://github.com/bytedance/UI-TARS-desktop | ⭐ 33.4k Stars | 🛠 TypeScript | 作者：ByteDance

老实说，这年头做 GUI Agent 的项目不少，但真正能让你开箱即用、一条命令装完就让 AI 帮你操作电脑的，不多。字节跳动的 Agent TARS 是我最近试下来最顺手的——它把多模态视觉能力、浏览器自动化、MCP 工具链全塞进了一个 CLI 工具里，33k Stars 不是刷的。

🔥 一句话概括

Agent TARS 是一个通用多模态 AI Agent 工具栈，核心能力就三个：

它有两个产品形态：CLI 版的 Agent TARS（适合开发者）和桌面版的 UI-TARS Desktop（适合普通用户）。

⚡ 一条命令开干

# 一行命令启动，不需要安装任何东西
npx @agent-tars/cli@latest

# 或者全局安装，需要 Node.js >= 22
npm install @agent-tars/cli@latest -g
agent-tars --provider anthropic --model claude-3-7-sonnet-latest --apiKey your-api-key

你给了 API Key 之后，直接说人话：

帮我订 9 月 1 日从上海到纽约最便宜的航班，9 月 6 号回来

Agent TARS 会自动打开浏览器、搜索机票、填表。最骚的是它能看到你在看什么——截图 + 视觉识别，不是纯靠 DOM 猜。

🛠 核心功能拆解

🖱 Hybrid Browser Agent：浏览器控制有两种模式——GUI Agent 模式（像素级视觉识别按钮位置）和 DOM 模式（直接解析 HTML 结构）。它还会自动混用两种策略，该点就点，该读就读。

🔄 Event Stream 驱动：所有 Agent 的行为都通过 Event Stream 协议推送，你可以实时看到它在想什么、在干什么、下一步计划是啥。调试体验拉满。

🧰 MCP 工具箱：内核直接跑在 MCP 协议上，你想加什么工具就加什么。算个天气图表、查个股票，一行配置就搞定。

🔧 桌面版玩法

如果你不想碰 CLI，直接下桌面 App：

# Mac 用户一行搞定
brew install --cask ui-tars

装好后配个模型就开用。支持 Hugging Face 部署的 UI-TARS-1.5，也支持字节自家的 Doubao-1.5-UI-TARS：

VLM Provider: VolcEngine Ark for Doubao-1.5-UI-TARS
VLM Base URL: https://ark.cn-beijing.volces.com/api/v3
VLM API KEY: YOUR_API_KEY
VLM Model Name: doubao-1.5-ui-tars-250328

配好之后，你对着它说"帮我在 VS Code 里打开自动保存，延迟设成 500ms"，它就真去点了设置界面。

💡 总结

标签：#AI #Agent #GUI-Agent #Browser-Automation #MCP #OpenSource