Agent TARS：字节跳动开源通用多模态 AI Agent 栈

原文来源：GitHub - bytedance/UI-TARS-desktop — 字节跳动开源的通用多模态 AI Agent 栈，近期登顶 GitHub Trending 榜单。

2026 年 5 月，一款来自字节跳动的开源项目登上了 GitHub Trending 榜首——Agent TARS（原 UI-TARS-desktop）。这不仅仅是一个桌面应用，而是一整套多模态 AI Agent 基础设施。

项目背景

Agent TARS 由字节跳动 Seed 团队开发，是一套通用多模态 AI Agent 栈。它最初以 UI-TARS-desktop 的名字在 2025 年初开源，经过一年多的迭代，已经发展成包含 CLI、Web UI、桌面应用和 SDK 的完整生态。

项目目前包含两个主要组件：

• Agent TARS — 通用多模态 AI Agent，提供 CLI 和 Web UI，支持 GUI Agent、Vision 和 MCP 工具集成
• UI-TARS Desktop — 桌面应用，基于 UI-TARS 模型提供原生 GUI Agent 体验，支持本地和远程电脑操作

核心功能

一键式 CLI

Agent TARS 最让人印象深刻的是它的易用性。通过 npx 即可启动：

npx @agent-tars/cli@latest

也支持全局安装（需要 Node.js >= 22）：

npm install @agent-tars/cli@latest -g
agent-tars --provider volcengine --model doubao-1-5-thinking-vision-pro-250428
agent-tars --provider anthropic --model claude-3-7-sonnet-latest

支持包括 Claude、Doubao、GPT 在内的多种模型提供商。

混合浏览器 Agent

Agent TARS 支持三种浏览器控制策略：

• GUI Agent — 通过视觉识别定位页面元素
• DOM 模式 — 通过访问 DOM 树理解页面结构
• 混合策略 — 结合两者优势

这意味着它可以像人类一样"看"页面并点击，也可以像开发者一样直接访问页面结构。

MCP 集成

Agent TARS 的内核基于 MCP（Model Context Protocol）构建，支持挂载任意的 MCP Server 来连接真实世界的工具。这意味着它可以利用 MCP 生态中的数百个现有工具。

远程电脑操作

UI-TARS Desktop 支持远程电脑操作和远程浏览器操作，可以远程控制其他电脑的界面——完全免费，无需配置。

事件流驱动

项目采用协议驱动的 Event Stream 机制，实现了"上下文工程"和 Agent UI，让开发者可以实时追踪 AI Agent 的决策过程。

实际用例

Agent TARS 的官方演示展示了一些令人印象深刻的场景：

航班预订 — Agent 可以在 Priceline 上自主完成机票搜索和预订：

"Please help me book the earliest flight from San Jose to New York on September 1st and the last return flight on September 6th on Priceline"

酒店预订 — 结合预算限制、位置偏好和交通信息，自动完成酒店预订和出行指南整理。

图表生成 — 通过额外的 MCP Server，Agent 可以调用数据分析工具生成天气图表等可视化内容。

技术特点

Agent TARS 的设计有几个值得关注的技术特点：

1. 视觉定位（Visual Grounding） — 通过多模态模型理解和定位屏幕元素，而非依赖 DOM 或辅助功能 API
2. 协议驱动 — Event Stream 协议使 Agent 的状态可追踪、可调试
3. MCP 优先 — 工具集成走 MCP 标准，避免供应商锁定
4. 跨平台 — 支持 macOS、Linux、Windows 和 Docker 部署

与竞品对比

Agent TARS 的独特定位在于 "GUI Agent"——它不仅能看代码，还能看屏幕、操作界面。这在自动化测试、浏览器自动化、远程桌面等场景中非常有用。

社区数据

截至 2026 年 5 月：

• GitHub Stars：快速增长中，已登顶 Trending
• npm 下载量：持续上升
• 社区活跃：Discord 和飞书群均有活跃讨论

安装使用建议

对于开发者，推荐从 CLI 版本开始：

# 快速体验
npx @agent-tars/cli@latest
 
# 查看完整文档
# https://agent-tars.com

对于需要图形界面的用户，可以直接下载 UI-TARS Desktop 的桌面应用版本。

小结

Agent TARS 是 2026 年值得关注的开源 AI Agent 项目之一。它的核心贡献在于将多模态能力（视觉理解）与 Agent 框架结合，让 AI 不再局限于操作代码和文本，而是可以真正"看到"和"操作"图形界面。对于做浏览器自动化、桌面自动化、RPA 的开发者来说，这是一个值得深入了解的工具。