AppAgent: 智能手机应用的多模态智能体

AppAgent是一个创新的基于大型语言模型(LLM)的多模态智能体框架,专门设计用于操作智能手机应用程序。它通过模仿人类用户的点击和滑动等交互方式,实现了对各种应用的自主操作。

🌟 项目特点

1. 使用简化的动作空间模拟人类交互
2. 无需后端访问权限,适用范围广
3. 通过自主探索或人类演示学习使用新应用
4. 生成知识库用于执行复杂任务

📚 学习资源

1. GitHub 仓库 - 包含完整源码和详细配置步骤
2. 项目官网 - 提供项目概述和演示视频
3. arXiv 论文 - 深入了解技术细节和实验结果

🚀 快速开始

1. 克隆仓库并安装依赖:

git clone https://github.com/mnotgod96/AppAgent
cd AppAgent
pip install -r requirements.txt

2. 配置 config.yaml 文件,设置 OpenAI API key 和请求间隔

3. 运行 learn.py 进行探索阶段学习

4. 运行 run.py 执行部署阶段任务

💡 使用提示

• 允许智能体通过自主探索执行更多任务以扩展功能
• 直接演示更多应用功能来增强文档质量
• 检查并手动修正智能体生成的不准确文档

🔍 最新更新

• 2024.2.8: 新增 qwen-vl-max 作为可选多模态模型
• 2024.1.31: 发布评估基准
• 2024.1.2: 新增网格覆盖功能,支持任意位置点击/滑动

🤝 贡献

欢迎通过 GitHub Issues 报告问题或提出建议。如有任何疑问,也可以联系项目负责人 Dr. Chi Zhang。

AppAgent为智能手机应用操作带来了全新的可能性。无论你是研究人员、开发者还是对AI应用感兴趣的爱好者,都可以从这个项目中获得启发和实践机会。开始探索AppAgent的世界吧!