懂AI
AppAgent

AppAgent

智能代理框架简化智能手机应用操作

AppAgent是一种基于LLM的多模态智能代理框架，模仿人类点击和滑动操作来运行智能手机应用。框架通过自主探索或观察人类演示学习新操作，生成知识库以执行复杂任务。无需系统后端访问，适用性广泛。提供详细配置步骤、评估基准和使用案例，支持GPT-4V和通义千问-VL等多种模型。

AppAgent多模态智能手机应用GPT-4V探索学习Github开源项目
访问官网GitHub论文

AppAgent：一款创新的智能手机应用操作助手

AppAgent 是由腾讯 QQ 国际及营销实验室开发的一款创新型多模态智能代理框架，旨在实现智能手机应用的自动化操作。该项目通过模拟人类的交互方式，如点击和滑动，来操控智能手机应用，无需访问应用的后端系统，大大拓展了其适用范围。

核心特性

简化的操作空间

AppAgent 采用了简化的操作空间，使得智能代理能够像人类一样与手机应用进行互动。这种方法不仅模拟了真实用户的操作方式，还避免了对应用后端的依赖，使得 AppAgent 可以适用于各种不同的应用。

创新的学习方法

该框架的核心在于其独特的学习方法。AppAgent 可以通过两种方式学习操作新的应用：

  1. 自主探索：智能代理自行探索应用的功能和界面。
  2. 观察人类示范：通过观察并记录人类用户的操作来学习。

这两种方法都能生成一个知识库，智能代理在执行复杂任务时可以参考这个知识库。

技术实现

AppAgent 主要由以下几个关键组件构成：

  1. 多模态模型：使用 GPT-4V 或通义千问-VL 作为核心决策模型，能够处理文本和视觉输入。
  2. Android Debug Bridge (ADB)：用于实现 PC 与 Android 设备之间的通信。
  3. 探索与部署两阶段框架：包括初始探索阶段和后续的任务执行部署阶段。

使用流程

  1. 环境准备：安装 ADB，准备 Android 设备或模拟器。
  2. 配置代理：设置 API 密钥和请求间隔等参数。
  3. 探索阶段：
    • 自主探索：智能代理自行学习应用操作。
    • 人类示范：用户演示操作，智能代理学习并记录。
  4. 部署阶段：基于学习到的知识执行用户指定的任务。

创新亮点

  1. 广泛适用性：无需应用后端访问权限，适用于各种 Android 应用。
  2. 自适应学习：能够通过探索或观察快速学习新应用的操作方法。
  3. 人性化交互：模拟人类操作方式，提供更自然的用户体验。
  4. 灵活的任务执行：能够执行从简单到复杂的各种智能手机任务。

未来展望

AppAgent 项目团队计划进一步扩展其功能，包括：

  • 集成更多 LLM API，提高模型多样性。
  • 开源评估基准，促进社区参与和技术进步。
  • 持续优化配置流程，提升用户友好度。

AppAgent 为智能手机应用自动化操作开辟了新的可能性，它不仅展示了人工智能在日常生活中的实际应用，还为未来更智能、更便捷的人机交互提供了一个富有前景的方向。

编辑推荐精选

AEE

AEE

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。

UI-TARS-desktop

UI-TARS-desktop

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。

Wan2.1

Wan2.1

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。

爱图表

爱图表

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。

Qwen2.5-VL

Qwen2.5-VL

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

HunyuanVideo

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。

WebUI for Browser Use

WebUI for Browser Use

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。

xiaozhi-esp32

xiaozhi-esp32

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。

olmocr

olmocr

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

飞书多维表格

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。

下拉加载更多