上一篇
ConsiStory是什么？一文让你看懂ConsiStory的技术原理、主要功能、应用场景
ScreenAgent是什么？一文让你看懂ScreenAgent的技术原理、主要功能、应用场景
来源：卓商AI
发布时间：2025-04-05
ScreenAgent概述简介
ScreenAgent是一个由吉林大学人工智能学院的研究团队开发的计算机控制智能体，该智能体是基于视觉语言大模型（VLM）构建的，能够与真实计算机屏幕进行交互。开发人员构建了一个包含“计划-执行-反思”的运行流程，以引导智能体与计算机屏幕进行持续性的交互。ScreenAgent的核心功能是通过观察屏幕截图，并输出相应的鼠标和键盘动作来操纵图形用户界面（GUI），从而执行多步骤的复杂任务。
ScreenAgent的官网入口
官方GitHub代码库：https://github.com/niuzaisheng/ScreenAgent
Arxiv研究论文入口：https://arxiv.org/abs/2402.07945
ScreenAgent的运行流程
屏幕观察：ScreenAgent能够观察和理解计算机屏幕上的截图。该特性通过VNC协议实现，允许智能体查看桌面操作系统的实时图像。
动作生成：基于观察到的屏幕截图，ScreenAgent可以生成相应的鼠标和键盘动作。这些动作以JSON格式的命令序列输出，包括移动鼠标、点击、双击、滚动、拖动以及键盘输入等。
任务规划：ScreenAgent 能够根据用户的任务提示，分解复杂的任务为一系列子任务，并为每个子任务规划相应的动作序列。这涉及到对任务的理解、分解和策略制定。
执行动作：在规划阶段之后，ScreenAgent执行规划好的子任务，通过发送鼠标和键盘动作命令到计算机，以实现用户的目标。
反思评估：在执行动作之后，ScreenAgent会评估执行的结果，决定是否需要重试当前子任务、继续执行下一个子任务，或者调整整个计划。
ScreenAgent的技术原理
视觉语言大模型（VLM）：
VLM是一种结合了视觉和语言处理能力的模型，它可以理解图像内容并生成相应的自然语言描述。
在ScreenAgent中，VLM用于解析屏幕截图，理解用户的任务提示，并规划出一系列动作来完成任务。
强化学习环境：
ScreenAgent通过VNC协议与真实计算机屏幕交互，创建了一个强化学习环境。在这个环境中，智能体可以观察屏幕状态（状态空间），执行动作（动作空间），并根据执行结果获得奖励（奖励函数）。
控制流程：
计划（Planning）：智能体根据当前屏幕截图和任务提示，分解任务并规划一系列子任务和相应的动作序列。
执行（Acting）：智能体根据规划阶段的输出，通过发送鼠标和键盘动作命令来操纵计算机界面。
反思（Reflecting）：智能体评估执行动作后的结果，决定是否需要重试、继续或调整计划。
数据集和评估：
ScreenAgent数据集包含了完成各种日常计算机任务时的屏幕截图和动作序列，用于训练和评估模型。
CC-Score（Vision Language Computer Control Score）是一个细粒度的评估指标，用于衡量智能体在计算机控制任务中的表现。
模型训练：
ScreenAgent 模型通过在 ScreenAgent 数据集上进行训练，学习如何有效地规划、执行和反思以完成复杂的计算机控制任务。训练过程中采用多种技术，如监督学习、强化学习以及人类反馈循环（RLHF）等。
© 版权声明:本站所有原创文章版权均归卓商AI工具集及原创作者所有，未经允许任何个人、媒体、网站不得转载或以其他方式抄袭本站任何文章。
相关文章
-
Deep Research Web UI是什么？一文让你看懂Deep Research Web UI的技术原理、主要功能、应用场景2025-04-05 -
UniTalker是什么？一文让你看懂UniTalker的技术原理、主要功能、应用场景2025-04-05
-
TongGeometry是什么？一文让你看懂TongGeometry的技术原理、主要功能、应用场景2025-04-05
-
Edicho是什么？一文让你看懂Edicho的技术原理、主要功能、应用场景2025-04-05
-
FineWeb 2是什么？一文让你看懂FineWeb 2的技术原理、主要功能、应用场景2025-04-05
-
FireCrawl是什么？一文让你看懂FireCrawl的技术原理、主要功能、应用场景2025-04-05
卓商AI
AI爱好者的一站式人工智能AI工具箱，累计收录全球10,000⁺好用的AI工具软件和网站，方便您更便捷的探索前沿的AI技术。本站持续更新好的AI应用，力争做全球排名前三的AI网址导航网站，欢迎您成为我们的一员。
最新发布
1
2
3
4
5
6
7
8
9
10
猜你喜欢
iListen
iListen 是一款简单的工具，将任何文章或网页转化为简洁易懂的播客摘要。坐下来，节省时间，更快地学习更多内容。...
peter ai
Peter AI是AI助手，旨在简化您的工作流程，帮助您产生高质量的内容并节省您的时间。利用AI技术快速准确地执行任务，以确保您充分利用工作。...
SeaArt.AI
SeaArt.AI是一个免费的AI绘画软件，它通过智能算法和机器学习技术，帮助用户在Android、iOS和PC平台上实现绘画创作。SeaArt.AI...
Pre-AI Search
Pre-AI Search是一个Chrome浏览器插件，旨在帮助用户在谷歌搜索中过滤掉AI生成的内容，从而更容易找到2023年以前的真实人类创作的内容...
KaibanJS
KaibanJS是一个专为JavaScript开发者设计的框架，用于构建和协调AI智能体。它允许开发者以类似微服务的方式处理AI任务，每个智能体负责不...
vistacreate
VistaCreate是一种免费的图形设计软件，非常适合创建具有易于使用功能，100K+现成模板和简单拖放界面的专业设计。在短短几分钟内创建令人惊叹的...
Factory
Factory 是一个面向软件开发的自主性平台，旨在通过连接工程系统中的上下文和工具，提升团队协作效率和开发体验。它支持从代码生成、代码审查到文档生成...
HeroPack
HeroPack是一个头像生成器，使用您的照片生成受视频游戏启发的头像，非常适合在Discord、Twitch和Twitter等游戏社交平台上使用。您...
AI爱好者的一站式人工智能AI工具箱，累计收录全球10,000⁺好用的AI工具软件和网站，方便您更便捷的探索前沿的AI技术。本站持续更新好的AI应用，力争做全球排名前三的AI网址导航网站，欢迎您成为我们的一员。
