Agent 与自动化AI 资源
open-compute：模型无关的计算机使用 Agent 循环核心
ellmos-ai/open-compute · Model-agnostic computer-use core: one agent loop for Claude, OpenAI CUA, and a mock backend — normalized coordinates, canonical action schema, central safety gate.
ELI5：它是什么，解决什么问题
open-compute 是一个轻量的 Python 核心库，用于构建计算机使用（computer-use）Agent，即由 LLM 驱动的 GUI / 桌面 / 浏览器自动化。它实现了「感知 → 模型工具调用 → 动作 → 反馈」的 Agent 循环，并通过统一的 ComputerBackend 接口让推理模型可替换：Anthropic Claude、OpenAI CUA 两个 API 后端地位平等，离线 mock 后端为默认。核心零运行时依赖（仅标准库），厂商 SDK 为可选惰性加载的 extras。主要特性包括：统一归一化 0..1 坐标并集中处理 DPI 缩放与多显示器偏移、规范化动作 schema（click、type、key、scroll、drag、wait）、集中式安全门（confirm / allow_all / read_only 三种策略）以及每次会话动作前强制的 4 秒安全窗口。感知层支持截图、Set-of-Marks、DOM、Windows UIAutomation 等混合方式，并提供按窗口作用域的 token 预算过滤。
核心能力与快速开始
★ 3 · Python
- 能做什么
- 提供模型无关的 computer-use Agent 核心：实现感知→模型工具调用→动作→反馈的循环；通过统一的 ComputerBackend 接口支持 Anthropic Claude Messages API、OpenAI CUA 以及离线 mock 后端（另有无需密钥的 Mode A 路径，可由宿主模型自身推理，支持内联或自派生 subagent 循环）；内部使用归一化 0..1 坐标并集中进行后端/分辨率/DPI 反归一化；定义规范化动作 schema（点击、输入、按键、滚动、拖拽、等待）；提供集中式安全门（confirm、allow_all、read_only）；强制 4 秒动作前宽限窗口与 120 秒冷却、支持操作员紧急中止；感知层支持截图 + Set-of-Marks / 可访问性 / DOM 混合方式，并按窗口作用域进行 token 预算过滤与背景窗口屏蔽；提供 CLI 工具（oc do、oc capture、oc click-name）。
- 适用场景
- 用于构建可切换推理模型的桌面与浏览器自动化 Agent；将基于像素的 RPA 脚本升级为语义化 LLM 驱动动作；在企业或安全合规场景下以本地优先、零外部通信方式运行 GUI 自动化，并通过安全门与人工确认控制风险动作；用于基准测试与比较不同模型的感知-动作循环（离线确定性 mock 便于测试）。
- 项目形态
- 开发框架
- 部署方式
- 未说明。README 提及本地优先、默认 100% 离线、mock/local 模式无网络套接字，支持 Windows / Linux / macOS 平台，但未给出具体部署步骤与生产环境配置说明。
- 主要依赖
- Python 3.10–3.13；核心 Agent 循环与 mock 执行器仅需 Python 标准库，零运行时依赖；厂商 SDK（anthropic、openai、mss、playwright）为可选、惰性加载的 extras。
- 使用限制
- 未说明。README 提到 API 密钥为内存临时保存、不落盘；未说明 API 调用成本、速率限制或具体硬件要求。
- 许可证
- MIT
- 最近推送
- 2026-09-21 00:22
资料检查：2026-09-21 07:00 · 卡片整理：2026-09-21 07:00
卡片由 AI 根据仓库资料整理，未进行安装或运行验证 · 本次更新未完成，保留上次成功内容
讨论 0
登录后参与讨论，阅读资讯无需注册。
还没有评论，来分享第一个看法。