UI-TARS-Desktop 評測：字節開源的桌面 AI Agent，38k Stars，自然語言控制你的電腦

當 AI 不再滿足於「對話框裡回答問題」，它開始伸手去碰你的滑鼠。字節跳動開源的 UI-TARS-Desktop 正是這樣一個項目——它不生成文字，而是直接操作你的螢幕。

一句話總結

UI-TARS-Desktop 是字節跳動 Seed 團隊開源的多模態桌面 AI Agent 套件（GitHub 38k+ Stars，Apache 2.0 授權），包含兩個核心產品：Agent TARS（通用多模態 Agent，CLI + Web UI）和 UI-TARS Desktop（基於 UI-TARS 視覺模型的本地桌面 GUI Agent）。它用自然語言指揮 AI 看螢幕、動滑鼠、敲鍵盤，像真人一樣完成桌面任務。

如果說 ChatGPT 是「嘴」，DeerFlow 是「腦」，那麼 UI-TARS-Desktop 就是「手」——它讓 AI 第一次真正伸進了你的作業系統。

桌面 AI Agent 是什麼？

類型	代表產品	互動介面	能力邊界
聊天機器人	ChatGPT、Claude	對話框	只能生成文字/程式碼
瀏覽器 Agent	Page-Agent、Browser Use	網頁 DOM	只能操作瀏覽器內的網頁
桌面 AI Agent	UI-TARS-Desktop、Computer Use	整個螢幕	能操作任何 GUI 應用程式

UI-TARS-Desktop vs DeerFlow vs Page-Agent

維度	UI-TARS-Desktop	DeerFlow	Page-Agent
出品方	字節 Seed	字節跳動	阿里巴巴
核心能力	控制桌面 GUI	自主研究與工作	控制網頁 DOM
互動層	螢幕截圖 + 滑鼠鍵盤	子 Agent + 沙箱執行	瀏覽器 DOM 樹
是否需要 GPU	本地模型需要，雲端不需要	取決於模型選擇	不需要
Stars	38k+	50k+	18k+

本地部署實戰

方式一：Agent TARS CLI

npx @agent-tars/cli@latest

agent-tars --provider anthropic \
  --model claude-3-7-sonnet-latest \
  --apiKey your-api-key

方式二：UI-TARS Desktop 桌面應用

macOS（Homebrew）：

brew install --cask ui-tars

設定：

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

常見問題（FAQ）

Q1：UI-TARS-Desktop 和 Agent TARS 是什麼關係？ A：同一個倉庫裡的兩個項目。Agent TARS 是通用多模態 Agent（CLI + Web UI），支援多種 LLM；UI-TARS Desktop 是基於 UI-TARS 視覺模型的桌面應用，專注於本地 GUI 操作。

Q2：沒有 GPU 能用嗎？ A：可以。使用火山引擎的雲端 API，或 Agent TARS 接入 Claude/GPT-4o 等雲端模型，都不需要本地 GPU。只有本地部署 UI-TARS-1.5-7B 模型才需要 GPU。

Q3：支援繁體中文指令嗎？ A：UI-TARS 模型和 Doubao-1.5-UI-TARS 原生支援簡體中文和英文。繁體中文指令可能可以識別，但準確度因模型而異。

Q4：和 Anthropic Computer Use 有什麼區別？ A：Anthropic Computer Use 必須調用 Claude API，不开源；UI-TARS-Desktop 完全開源（Apache 2.0），有自己的視覺模型，可以本地部署。

Q5：可以在多螢幕環境下使用嗎？ A：目前不建議。UI-TARS Desktop 僅支援單螢幕設定，多螢幕可能導致座標計算錯誤。