"PyWinAssistant"是第一个大型行动模型,开源Windows 10/11人工窄域智能框架(2023年12月31日发布,早于微软的VoT论文),通过利用思维可视化(VoT)在大型语言模型中引发空间推理,无需OCR / 对象检测 / 分割来人工辅助任何win32api人机界面。这提高了泛化质量,并最大限度地减少了LLM和视觉模型的整体数据使用。它内置了辅助选项,以改善人类对计算机的使用,采用了一种新的技术方法来通过思维的空间可视化来辅助和测试用户界面和用户体验,正确地泛化任何自然语言提示,并计划在考虑安全的情况下在操作系统中执行正确的操作。
相关论文:思维可视化在大型语言模型中引发空间推理(2024年4月4日发布)
https://arxiv.org/abs/2404.03622
以友好自然的方式与你的计算机对话,执行任何用户界面活动。 使用自然语言自由操作你的Windows操作系统。 通过简单使用自然语言,为你的用户界面应用程序生成和规划测试用例,以便在任何支持Win32api的应用程序上进行持续测试。 你自己的开放和安全的个人助手,按你的要求响应,控制你希望计算机如何辅助你。 它被设计成模块化的,能理解并执行广泛的任务,自动化与任何桌面应用程序的交互。
语音1 - 输入人类(英语女性澳大利亚TTS)
语音2 - 输出助手(英语女性美国谷歌TTS)
不使用任何视觉。只使用API LLM调用。
https://github.com/a-real-ai/pywinassistant/assets/18397328/25b39d8c-62d6-442e-9d5e-bc8a35aa971a
使用最少的视觉。了解用户在做什么以及用户想要实现什么,助手计划执行它。
https://github.com/a-real-ai/pywinassistant/assets/18397328/d04f0609-68fb-4fb4-9ac3-279047c7a4f7
推理是速度的唯一限制。
https://github.com/a-real-ai/pywinassistant/assets/18397328/6d3bb6e6-ccf8-4380-bc89-df512ae207f2
2023年11月16日现场演示:(Firefox、Spotify、记事本、计算器、邮件)
https://github.com/a-real-ai/pywinassistant/assets/18397328/ce574640-5f20-4b8e-84f9-341fa102c0e6
2023年12月1日现场演示:(Chrome、Spotify、Firefox)
https://github.com/a-real-ai/pywinassistant/assets/18397328/7e0583d1-1c19-40fa-a750-a77fff98a6da
目前支持所有通用win32api应用程序,包括: Chrome、Firefox、OperaGX、Discord、Telegram、Spotify...
这个人工辅助用户界面测试框架是桌面自动化领域的开创性工具。它能以自然、直观的方式理解和执行广泛的命令,使其成为任何希望提高生产力并改善与Windows环境交互的人的宝贵资产。它不仅仅是一个工具;它是朝着AI无缝融入我们日常计算任务的未来迈出的一步,使技术更加accessible和用户友好。
# 将你的Chat-GPT API密钥添加到项目中:
在/core/core_api.py中添加你的API密钥 -> 第3行:client = OpenAI(api_key='在此插入你的api密钥')
在/core/core_imaging.py中添加你的API密钥 -> 第12行:api_key = '在此插入你的api密钥'
# 安装依赖:
cd pywinassistant
pip install -r .\requirements.txt
# 执行助手:
cd .\core
python ./assistant.py
运行"Assistant.py",说"Ok computer"通过语音命令启用助手,或点击它或启用聊天进行快速操作。在助手上方右键单击可查看助手的可用选项。
为了调试模式,执行"Driver.py"。在其中,你可以轻松 调试并尝试与助手一起使用的"act"函数、"fast_act"和"assistant"函数的示例。 要运行JSON测试用例,修改"assistant"函数中的JSON路径。
assistant(goal=f"在Spotify上播放歌曲\'One More Time - Daft Punk\'") # 100%工作
assistant(goal=f"在Firefox中打开一个新标签页,搜索歌曲\'Wall Of Eyes - The Smile\',从谷歌搜索结果中筛选视频然后播放") # 100%工作
assistant(goal=f"在Firefox中打开一个新标签页,搜索歌曲\'Windows XP Error beat\',从谷歌搜索结果中筛选视频然后通过点击文本播放。") # 100%工作
fast_act(goal=f"点击Like按钮") # 100%工作
assistant(goal=f"在Spotify上暂停音乐") # 100%工作
write_action(goal="评论为什么AI对当前播放的歌曲很棒", assistant_identity="你是一个专门研究音乐的高级音乐AI代理") # 100%工作
assistant(f"在记事本上创建一篇关于AI开始控制Windows计算机的长篇AI论文") # 100%工作
fast_act(goal="点击HueSync应用底部的按钮") # 100%工作
write_action(goal="Weird Fishes - Radiohead") # 100%工作
assistant(f"打开计算器并按4 x 4 - 4 * 4 + 1 =") # 100%工作
assistant(goal=f"在谷歌浏览器中打开3个新标签页,在每个标签页中搜索3种不同类型的有趣狗", keep_in_mind=" 筛选图片结果。") # 100%工作
assistant(goal=f"停止Firefox应用的播放") # 100%工作
assistant(f"在Telegram上向我的朋友Diana发送一个关于工程师的笑话步骤列表,同时将其制作成一篇文章") # 100%工作
assistant(f"在Telegram上向我的已保存消息发送制作巧克力蛋糕的步骤列表") # 100%工作
assistant(f"在Firefox上创建三个新标签页,在每个标签页中搜索3种不同类型的搞笑YouTube糟糕教程视频,生成搜索标题。") # 100%可行
assistant(f"写一篇关于一个人创造的可以自由使用电脑的AI的文章,就像你一样。在记事本中写。") # 100%可行
assistant(f"在Discord上向我的朋友Diana发送一个AI笑话,并说这是由AI生成的") # 100%可行
assistant(goal=f"在记事本中使用AI自动Windows为用户创建一个简短的问候文本") # 100%可行
assistant(goal=f"打开计算器并按4 x 4 =") # 100%可行
assistant(goal=f"在邮件应用中向'testmail@gmail.com'发送一封主题为'Hello'的邮件,并生成消息'生成一条关于AI如何作为用户帮助每个人的消息'",
keep_in_mind="按'Tab'键三次导航到主题区域。不要合并步骤。") # 需要更新应用语义图以使其100%可行。
assistant(goal=f"在Spotify上播放歌曲'The Smile - Wall Of Eyes'") # 100%可行
assistant(goal=f"在Spotify上播放歌曲'Panda Bear - Tropic of cancer'") # 100%可行
assistant(goal="暂停Spotify应用中的音乐") # 100%可行
assistant(goal=f"在Firefox上打开3个新标签页,每个标签页播放不同的Daft Punk歌曲") # 100%可行
fast_act("打开Spotify并搜索专辑'Grimes - Visions'") # 100%可行
write_action("打开Spotify并搜索专辑'Grimes - Visions'") # 100%可行
fast_act("点击Spotify上的第一个搜索结果") # 100%可行
fast_act("在Spotify上跳到下一首歌") # 100%可行
fast_act("将专辑添加到音乐库") # 100%可行
fast_act("在Spotify上回到主页") # 100%可行
fast_act("在Spotify上将歌曲保存到我的音乐库") # 100%可行
在手动测试中,人工测试人员执行一系列操作,检查应用程序是否正常运行,以及图形元素是否符合记录的要求。基于手动的测试有明显的缺点,它可能耗时较长,测试覆盖率极低。此外,这种方法的测试质量取决于测试团队的知识和能力。
也称为录制重放测试,使用自动化工具执行。自动化UI测试工具记录所有任务、操作和与应用程序的交互。然后重现、执行记录的步骤,并与预期行为进行比较。为了进一步测试,可以使用各种数据集重复回放阶段。
在这种测试方法中,我们专注于构建描述系统行为的图形模型。这提供了对系统更深入的理解,使测试人员能够生成高效的测试用例。在模型中,我们确定系统的输入和输出,然后用于运行测试。基于模型的测试工作流程如下:
创建系统模型
确定系统输入
验证预期输出
执行测试
检查和验证系统输出与预期输出
基于模型的方法很好,因为它允许更高程度的自动化。它还覆盖了系统中更多的状态,从而提高了测试覆盖率。
人工辅助用户界面测试利用人工智能的力量彻底改变了测试图形用户界面的过程。与传统方法不同,人工辅助用户界面测试集成了机器学习算法和智能决策过程,以自主识别、分析和与UI元素交互。这种方法在几个方面显著增强了测试的深度和广度:
与UI元素的动态 交互:AI驱动的测试可以适应UI的变化,如修改的按钮位置或更改的元素属性。这种灵活性是通过使用经过训练的AI模型来识别和与各种UI组件交互实现的,不受表面变化的影响。
学习和模式识别:利用机器学习,人工辅助用户界面测试系统可以从先前的交互、测试运行和用户反馈中学习。这使AI能够识别模式并预测潜在问题,随着时间的推移不断改进,每次迭代都能提供更全面的测试。
自动生成测试用例:AI可以根据对应用程序功能和用户行为模式的理解生成测试用例。这不仅节省了时间,还确保了测试更广泛的场景,包括可能在手动测试中被忽视的边缘情况。
自然语言处理(NLP):AI测试工具通常包含NLP,以解释和执行用普通语言编写的测试。这一特性使测试过程对非技术利益相关者更加accessible,并促进了团队间更好的沟通。
实时反馈和分析:AI系统提供测试过程的实时洞察,及时识别错误、性能问题和可用性问题。这种即时反馈循环使得更快的修正成为可能,并提高了产品的整体质量。
预测分析和风险评估:通过分析过去的数据,人工辅助用户界面测试工具可以预测潜在的问题区域,并更有效地分配测试资源。这种主动的风险管理方法确保在开发生命周期的早期识别和解决关键问题。
总之,人工辅助用户界面测试代表了软件质量保证的重大进步。通过自动化和增强测试过程,AI驱动的工具提供了更高的准确性、速度和覆盖率,为更可靠和用户友好的应用程序铺平了道路。
该项目正在2024年初更新。需求列表正在更新中。
AI Excel全自动制表工具
AEE 在线 AI 全自动 Excel 编辑器,提供智能录入、自动公式、数据整理、图表生成等功能,高效处理 Excel 任务,提升办公效率。支持自动高亮数据、批量计算、不规则数据录入,适用于企业、教育、金融等多场景。
基于 UI-TARS 视觉语言模型的桌面应用,可通过自然语言控制计算机进行多模态操作。
UI-TARS-desktop 是一款功能强大的桌面应用,基于 UI-TARS(视觉语言模型)构建。它具备自然语言控制、截图与视觉识别、精确的鼠标键盘控制等功能,支持跨平台使用(Windows/MacOS),能提供实时反馈和状态显示,且数据完全本地处理,保障隐私安全。该应用集成了多种大语言模型和搜索方式,还可进行文件系统操作。适用于需要智能交互和自动化任务的场景,如信息检索、文件管理等。其提供了详细的文档,包括快速启动、部署、贡献指南和 SDK 使用说明等,方便开发者使用和扩展。
开源且先进的大规模视频生成模型项目
Wan2.1 是一个开源且先进的大规模视频生成模型项目,支持文本到图像、文本到视频、图像到视频等多种生成任务。它具备丰富的配置选项,可调整分辨率、扩散步数等参数,还能对提示词进行增强。使用了多种先进技术和工具,在视频和图像生成领域具有广泛应用前景,适合研究人员和开发者使用。
全流程 AI 驱动的数据可视化工具,助力用户轻松创作高颜值图表
爱图表(aitubiao.com)就是AI图表,是由镝数科技推出的一款创新型智能数据可视化平台,专注于为用户提供便捷的图表生成、数据分析和报告撰写服务。爱图表是中国首个在图表场景接入DeepSeek的产品。通过接入前沿的DeepSeek系列AI模型,爱图表结合强大的数据处理能力与智能化功能,致力于帮助职场人士高效处理和表达数据,提升工作效率和报告质量。
一款强大的视觉语言模型,支持图像和视频输入
Qwen2.5-VL 是一款强大的视觉语言模型,支持图像和视频输入,可用于多种场景,如商品特点总结、图像文字识别等。项目提供了 OpenAI API 服务、Web UI 示例等部署方式,还包含了视觉处理工具,有助于开发者快速集成和使用,提升工作效率。
HunyuanVideo 是一个可基于文本生成高质量图像和视频的项目。
HunyuanVideo 是一个专注于文本到图像及视频生成的项目。它具备强大的视频生成能力,支持多种分辨率和视频长度选择,能根据用户输入的文本生成逼真的图像和视频。使用先进的技术架构和算法,可灵活调整生成参数,满足不同场景的需求,是文本生成图像视频领域的优质工具。
一个基于 Gradio 构建的 WebUI,支持与浏览器智能体进行便捷交互。
WebUI for Browser Use 是一个强大的项目,它集成了多种大型语言模型,支持自定义浏览器使用,具备持久化浏览器会话等功能。用户可以通过简洁友好的界面轻松控制浏览器智能体完成各类任务,无论是数据提取、网页导航还是表单填写等操作都能高效实现,有利于提高工作效率和获取信息的便捷性。该项目适合开发者、研究人员以及需要自动化浏览器操作的人群使用,在 SEO 优化方面,其关键词涵盖浏览器使用、WebUI、大型语言模型集成等,有助于提高网页在搜索引擎中的曝光度。
基于 ESP32 的小智 AI 开发项目,支持多种网络连接与协议,实现语音交互等功能。
xiaozhi-esp32 是一个极具创新性的基于 ESP32 的开发项目,专注于人工智能语音交互领域。项目涵盖了丰富的功能,如网络连接、OTA 升级、设备激活等,同时支持多种语言。无论是开发爱好者还是专业开发者,都能借助该项目快速搭建起高效的 AI 语音交互系统,为智能设备开发提供强大助力。
一个用于 OCR 的项目,支持多种模型和服务器进行 PDF 到 Markdown 的转换,并提供测试和报告功能。
olmocr 是一个专注于光学字符识别(OCR)的 Python 项目,由 Allen Institute for Artificial Intelligence 开发。它支持多种模型和服务器,如 vllm、sglang、OpenAI 等,可将 PDF 文件的页面转换为 Markdown 格式。项目还提供了测试框架和 HTML 报告生成功能,方便用户对 OCR 结果进行评估和分析。适用于科研、文档处理等领域,有助于提高工作效率和准确性。
飞书多维表格 ×DeepSeek R1 满血版
飞书多维表格联合 DeepSeek R1 模型,提供 AI 自动化解决方案,支持批量写作、数据分析、跨模态处理等功能,适用于电商、短视频、影视创作等场景,提升企业生产力与创作 效率。关键词:飞书多维表格、DeepSeek R1、AI 自动化、批量处理、企业协同工具。
最新AI工具、AI资讯
独家AI资源、AI项目落地
微信扫一扫关注公众号