跳到正文
只看具身智能#Agent
  1. GitHub · 灵魂体仓库68

    OmOWright 发布：给 AI 智能体用的 Playwright 形态浏览器自动化库

    code-yeongyu 发布开源库 OmOWright，为 AI 智能体提供 Playwright 形态的浏览器自动化 API，设计思路来自 Jun 关于 Aside 浏览器智能体登顶 Online-Mind2Web 等榜单的文章。

    推荐理由：README 讲清了为何让模型沿用 Playwright 接口、如何压缩快照与处理滚动采集，方法可迁移到其他 GUI 智能体工程。

  2. GitHub · 灵魂体仓库64

    Buddy 发布 Android 浮窗应用，让 Claude Code、Codex、OpenCode 等智能体操作手机

    开源项目 Buddy 发布 Android 应用，通过悬浮窗让 Claude Code、Codex、OpenCode、Antigravity 或 Grok 直接操作手机，支持读屏、点按、输入语音等任务，无需 PC、adb、root 或 API key。智能体运行在应用内的 Alpine Linux（proot）中，通过 127.0.0.1 的本地 MCP 服务器调用无障碍服务的手机工具；发送、支付、删除等操作须用户审批，且从不输入密码。要求 64 位 Android 11+，可在 Google Play（封闭测试）下载或获取 APK，版本 2.2，采用 Apache-2.0 许可。

    推荐理由：原文讲清了让 Claude Code 等智能体在 Android 上直接操作屏幕的架构与权限做法，含本地 MCP 和审批兜底等可迁移细节。

  1. GitHub · 去对齐工具与仓库69

    anima3 发布：用 logprob 选择替代 LLM 生成 JSON 的 System One 大脑

    uotavern 发布 anima3，一个驱动 anima-client 的轻量 System One 大脑：把 Observation 转成文本场景（可访问性树），用代码枚举当前合法动词的闭式菜单，由本地模型按选项字母的 log-probabilities 选择一个，从不生成文本，无需解析且不会答到菜单之外，低置信度时回退到规则自己的首个动词。默认后端为本地 Qwen3-4B（logprob 模式），实测在 M5 上每次决策约 96–150 ms 且 $0；文中给出离线与 ServUO 实机数据，包括 77 个测试、战斗/经济/多人村庄/决斗等场景、置信度门控实测（ECE 0.585）以及实验 3 中 Qwen 自主决策显著差于规则（p < 0.001）的结果。

    推荐理由：作者先跑测试再定架构，用闭式动词菜单加 logprob 选择避免文本生成，还给出多场景实测延迟与置信度校准数据，方法可迁移。

  2. GitHub · 去对齐工具与仓库62

    a11y-computer-use 0.4.3 发布：让 AI Agent 点击真实 UI 元素而非猜测像素

    Perception Dynamics 开源 a11y-computer-use，让 AI Agent 读取剪枝后的无障碍树并按 ref 点击真实 UI 元素，而非依赖截图坐标猜测，经单一 MCP server 支持 macOS、Windows、Linux 与 Chromium。0.4.3 在 macOS 26 上捕获速度提升 100 倍，0.4.2 关闭首批三个由 Agent 提交的 issue 并加入 user_active 与真实 macOS 弹窗请求授权机制。基准对照中 refs 方式 13/13 完成且 0 误点花费 $7.04，截图坐标 7/13 完成且 27 次误点花费 $11.74；Windows 端 ref 重解析与坐标输入尚未实现。Apache-2.0 协议。

    推荐理由：同一规划器下与截图坐标方案的 13 任务对照数据齐全，含成本、误点和完成数，可据此评估无障碍树方案的取舍。

  1. GitHub · 灵魂体仓库61

    fuba-browser 发布 3.6.0：面向 LLM 智能体的 Docker 浏览器自动化工具

    fuba 在 GitHub 发布 fuba-browser，这是一个运行在 Docker 中的 Chromium 浏览器自动化工具，通过 REST API 和 CLI（fbb）供 Claude Code 等 LLM 智能体控制浏览器，主打解决 Chrome DevTools MCP 的 token 消耗问题。工具提供 Snapshot/Ref 无障碍树元素定位、Web VNC 远程访问、认证状态保存加载、网络检查与下载捕获 API，可选 NVIDIA/AMD GPU 硬件加速，最新镜像为 ghcr.io/fuba/fuba-browser:3.6.0，MIT 许可，API 设计受 vercel-labs/agent-browser 启发。

    推荐理由：面向 LLM 智能体的 Docker 浏览器自动化工具，REST API 配合 Snapshot/Ref 定位，主打降低 Chrome DevTools MCP 的 token 消耗。

  1. GitHub · 灵魂体仓库56

    Chetan Sroay 开源 Debutly：用 AI 智能体模拟首批用户实测 Web 应用

    开发者 Chetan Sroay 在 GitHub 发布 Debutly，用 Playwright 和 Chromium 驱动的 AI 智能体在真实浏览器中模拟首批用户，注册、确认邮箱、选套餐、邀请队友并使用产品，输出带复现步骤和截图的缺陷报告。支持无障碍需求模拟、怀疑型买家评估器、GitHub Actions 定时运行和成本上限，AGPL-3.0 开源；附多种模型对比，z-ai/glm-5.3-flash 每步 3.8 秒、每次运行 $0.004，与更贵的 google/gemini-3.8-flash 找到相同的 5 个种子缺陷中的 4 个。

    推荐理由：作者附上了多种模型在同一含种子缺陷测试应用上的对比数据，读者可以据此选驱动模型并控制成本。

  2. GitHub · 灵魂体仓库59

    AI-World 开源：十个智能体在本地 3D 世界里用真实神经网络自主生活与学习

    andrewsavio 在 GitHub 开源 AI-World，一个低多边形 3D 世界中十个有需求、性格和偏好的智能体以量子计算为目标自主学习和生活。每个智能体带两个 PyTorch 网络，技能脑用 mini-batch SGD 训练，决策脑用 REINFORCE 策略梯度强化学习，不含任何语言模型；全部在本地运行，无云端、无 API 密钥、无遥测，附 pytest 测试套件与 GitHub Actions CI。

    推荐理由：十个自主智能体在本地低多边形世界里用真实 PyTorch 网络学习与决策，全程无语言模型，架构与训练方法都写得清楚。

  1. GitHub · 灵魂体仓库66

    agent-workspace-linux：给 AI 智能体一个独立隔离的 Linux 桌面

    jgunduz35 发布 agent-workspace-linux，为 AI 智能体提供独立的隐藏 X11 桌面，通过 MCP 驱动应用、键盘鼠标、截图和浏览器自动化，不触碰用户真实桌面和 Chrome。支持 bubblewrap 网络与挂载隔离、daemon 强制的权限上限、带暂停和只读控制的浮动查看器，约 86 个工具经技能按需加载，仅支持 Linux，MIT 许可。

    推荐理由：项目明确了三层权限边界由谁设定和如何强制执行，适合想给 AI 智能体隔离桌面环境的开发者参考部署思路。

  1. GitHub · 去对齐工具与仓库58

    Matvel007 开源 Chromium 浏览器侧边栏 Agent browser-agent 1.0.0

    Matvel007 在 GitHub 发布 browser-agent 1.0.0，一个 Chromium 浏览器侧边栏 AI 助手，可读页面、点击、输入、切换标签页，并通过 DevTools Protocol 检查 console 和网络、搜索网页。支持 RouterAI、OpenAI、DeepSeek、Gemini、Anthropic 及 OpenAI 兼容端点等任意提供商，提供 29 个可单独开关的浏览器工具；工具输出有界，大数据存为 IndexedDB artifacts，完整聊天记录不会被压缩删除，/compact 只添加摘要卡片。需 Node.js 22.12+ 或 24/26+，MIT 协议开源。

    推荐理由：开源的浏览器侧边栏 Agent，29 个工具均可单独开关，上下文压缩保留完整聊天记录，适合想本地控制浏览器自动化的用户。

  1. arXiv · cs.AI65

    四个 Gemini 4 Argon 智能体自主通关 Minecraft

    研究者将四个 Gemini 4 Argon 智能体放入沙盒化的 Minecraft 生存世界，目标是击败末影龙，每个智能体通过开源库 Mineflayer 控制一名玩家，靠游戏内聊天和共享记忆协调，没有人类分配角色或编写游戏逻辑。团队从随机生成的 Easy 难度世界出发，编写了 2,783 个程序，死亡 605 次，用 27 小时 14 分钟击败了末影龙。作者称这是据其所知首次由 AI 智能体仅用标准 Mineflayer 库、无预探种子等人类专用工具完成的端到端自主通关，论文还描述了分工、知识共享、互相恢复物品等策略与结果局限。

    推荐理由：论文给出了完整运行数据与协作策略描述，读者可以据此了解多智能体长时程自主任务的实际做法和局限。

  2. GitHub · 去对齐工具与仓库60

    BAR AI Sub-Commanders 开源：把 Beyond All Reason 部队交给自主子指挥官

    rusenask 发布开源项目 bar-ai-sub-commanders，让玩家在 Beyond All Reason 中把建造者、工厂或小队划区委托给自主子指挥官，角色涵盖经济、防御、防空、陆军和情报。可选的 LLM 策略师通过 opencode agent 会话和 MCP 工具每 30 秒调整各子指挥官的姿态、角色和区域，支持任何 OpenAI 兼容的工具调用模型；另有毫秒级决策模型负责工厂出兵选择。规则引擎每半秒处理所有单位级操作，不依赖 AI。实测中纯规则子指挥官对 BARbarian medium 多数能存活但未获胜，对 hard 为 6 局 1 胜，单位交换约 1 杀 4 损。项目采用 GPL-2.0 许可。

    推荐理由：原文给出了规则引擎与 LLM 策略师的分工设计和实测战绩，读者可以据此判断这套自主指挥架构的实际强度与局限。

  1. GitHub · 去对齐工具与仓库62

    JEV 开源：基于 TypeSafe Jev 决策模型的本地聊天式浏览器 Agent

    samuelyossef 在 GitHub 开源了 jev-openfast，一个通过聊天驱动的本地浏览器 Agent，调用真实 Chrome 标签页执行 CLICK、TYPE_TEXT 等操作，决策由 TypeSafe 的 typesafe/jev-1.13 结构化模型完成，文字输入使用 inception/mercury-2.5。模型不写选择器或代码，页面转为编号元素表后由模型从表中选操作和目标；发送、支付等外部承诺需人工批准，DONE 后会重新检查页面并给出 confirmed、not met 或 unknown 的验证结果。

    推荐理由：这个本地浏览器智能体在执行前用元素表决策、DONE 后独立复核结果，作者还写明了 guards 与隐私处理的实现思路，可供搭建类似 Agent 参考。

  2. GitHub · 灵魂体仓库69

    AiSteve 发布：让 AI 伙伴在 Minecraft 里陪你玩的分层 Agent Forge 模组

    Tawesh 发布 AiSteve 1.1.0，一个面向 Minecraft 1.20.1 Forge 的 AI 伙伴模组，让语言模型驱动的玩家与你一起挖矿、建造、战斗。它采用感知、记忆、目标栈加技能优先于 LLM 的分层架构，常见请求走确定性技能零 token 消耗，含四层记忆、需求与人格系统，支持 DeepSeek 等多家 API；目前尚无熔炼能力且 AI 角色暂时无敌。

    推荐理由：作者完整公开了感知、记忆、目标栈与技能优先于 LLM 的分层设计， token 成本控制思路可直接迁移到其他 Agent 项目。

  3. GitHub · 3D 生成新仓库66

    Cua 开源仓库整合桌面智能体全家桶：Spaces、Driver、Lume、CUA-S1 与 Bench

    Cua 在 GitHub 更新 trycua/cua 仓库，为 AI 智能体提供可操作的计算机环境，包含给智能体完整桌面的 Cua Spaces、跨 macOS/Windows/Linux 桌面自动化的 Cua Driver、基于 Apple Virtualization.Framework 的 Lume 本地 VM、小型 System 1 决策模型系列 CUA-S1（权重在 Hugging Face）以及 computer-use 评测环境 Cua Bench。除 Cua Spaces 为 FSL-1.1-MIT source-available 外，其余组件为 MIT 许可；Spaces 免费供个人使用，Pro 和 Teams 计划即将推出。

    推荐理由：官方仓库把 GUI 智能体所需的全套组件集中到一处，覆盖桌面空间、自动化驱动、本地 VM、小型决策模型和评测基准，便于搭建和验证 computer-use 智能体。

  4. GitHub · 去对齐工具与仓库55

    开源浏览器智能体 Brotto 发布：在你已登录的浏览器会话中执行任务

    Brotto 在 GitHub 开源，是一个 Chrome 扩展加自托管容器的浏览器智能体，用自然语言下达任务后在用户已登录的浏览器标签页中执行，不走云端浏览器。它读取页面无障碍树而非截图，发送邮件、支付、删除等不可逆操作前强制停下询问且无法关闭，每次运行在本地磁盘留下完整审计记录；页面文本离开前先脱敏，模型密钥不落盘，支持 Anthropic、OpenAI、Gemini、DeepSeek 等 8 家提供商自带密钥。目前仅支持 Chrome，无已发布基准，扩展正在 Chrome Web Store 审核中，Apache 2.0 开源。

    推荐理由：浏览器智能体选择读无障碍树而非截图，并把不可逆操作前的确认和审计记录设计成不可关闭，安全取舍讲得具体。

  5. GitHub · 去对齐工具与仓库66

    ai-kong：用慢速推理 LLM 驱动终端 Donkey Kong 的 AI 对手

    作者发布 ai-kong，一个纯 Python 标准库实现的终端 Donkey Kong，Kong 可由 LLM 观察玩家习惯并每约 20 秒重新规划战术，且游戏永不等待网络。LLM 不直接移动物体，而是作为指挥官设定 8 个确定性旋钮，公平守卫用近乎完美的参考玩家模拟并否决会让游戏无解的改动；默认 anthropic/claude-haiku-5.5 每分钟约 $0.005-0.008，最快配置用 openai/gpt-oss-120b @ Cerebras 与 gpt-oss-20b @ Groq，每分钟约 1-1.5 美分，实测数据在 docs/llm-speed/。项目需 OpenRouter API key，其 director/ 库与游戏无关，可用于任意实时游戏中把 LLM 推理置于类型化旋钮之后。

    推荐理由：项目把慢速推理模型拆成三层角色并配公平守卫，给出了实测延迟与成本数据，方法可迁移到其他实时游戏。

  1. GitHub · 灵魂体仓库56

    unreal-mcp-agent 发布：用 MCP 客户端操控 Unreal Engine 5 编辑器的开源服务器

    aliameenrana 开源了 unreal-mcp-agent，一个将 Claude Code、Claude Desktop、Cursor 等 MCP 客户端桥接到运行中的 Unreal Engine 5 编辑器的通用 MCP 服务器，通过 Remote Control API（HTTP，127.0.0.1:30010）在编辑器内执行 Python。MVP 的 23 个工具已在 UE5.8 真实场景（138 个 actor）中端到端验证，涵盖 actor 生成删除、材质、Blueprint 编译、光照预设等，每个工具带风险分级，调用前经安全模块做路径白名单、AST 静态检查和 confirm 确认。

    推荐理由：作者对 23 个工具在真实 UE5.8 场景里逐一实测并记录了静默失败案例，读者可直接复用这套 MCP 桥接和安全分层做法。

已经到底了