Agent TARS 是字节跳动开源的一款多模态AI Agent（多模态智能体）。它的核心目标是通过自然语言指令，让AI像人类一样“看”屏幕（视觉理解）、“思考”规划，并直接控制电脑、浏览器、命令行等，实现自动化任务执行。Slogan 是“一个开源的多模态AI Agent，提供与各种现实世界工具的无缝集成的能力”。

它基于字节自研的 UI-TARS 视觉语言模型（Vision-Language Model），主打开源桌面/终端使用场景，被很多人称为“开源版的类似Manus/Computer Use的GUI Agent”。

核心功能与特性

1. 视觉驱动的GUI操作（核心卖点）

   • 通过屏幕截图/视觉理解网页或桌面界面（而非只读DOM）
   • 像人一样“看”到按钮、输入框、弹窗、验证码等，进行点击、输入、滚动等操作
   • 支持复杂网页任务：深度研究、信息采集、表单填写、预订机票、电商比价等，成功率较高（社区反馈95%+的简单到中级任务）

2. 浏览器高级控制

   • 自然语言驱动浏览器：打开网页 → 搜索 → 筛选 → 提取数据 → 生成报告
   • 支持混合模式：既可以用视觉方式，也支持更稳定的DOM操作（Beta版增强）

3. 命令行 & 文件系统集成

   • 直接调用终端命令（bash/cmd）
   • 文件读写、创建、编辑、搜索、移动
   • 示例：让它分析“为什么电脑这么卡”，它会ps、top、查看资源占用等

4. 多模态能力（Multimodal）

   • 视觉（屏幕/图片理解）
   • 语言（自然语言指令）
   • 工具调用（Search、Browser、File、Shell、MCP等内置工具）

5. 任务规划与执行

   • 自主拆解复杂指令 → 制定多步计划 → 逐步执行 → 反思调整
   • 支持长期记忆和反思机制（基于UI-TARS的训练方式）

6. 使用形式（产品形态）

   • CLI（命令行交互） → 最轻量，随时随地用 npx @agent-tars/cli@latest 启动
   • 桌面应用 → 增强型GUI界面（类似托盘小助手）
   • 无头服务器模式 → 可用于服务端自动化
   • 支持多种大模型接入（Qwen2-VL、Claude、Gemini等，通过Model Provider机制）

典型使用场景举例

• “帮我在淘宝搜 iPhone 16 Pro Max 1TB 黑色，价格最低的三个店铺，告诉我链接和价格”
• “打开我的论文文件夹，把所有2024年的PDF改名为 ‘年份_题目’ 格式”
• “分析为什么电脑卡：运行诊断命令并告诉我占用最高的程序”
• “去官网给我续费一下 Claude Pro，用公司信用卡”
• “研究某个CLI工具的所有参数并生成中文文档”