新闻详情

新闻详情

首页 / 资讯中心 / 详情

TuriX 3.0前瞻:计算机使用智能体与CLI深度融合,TuriX-work与TuriX-code一站式工作应用

发布时间:2026/11/22 0:00:50来源:尧图网络
TuriX 3.0前瞻:计算机使用智能体与CLI深度融合,TuriX-work与TuriX-code一站式工作应用
TuriX 3.0前瞻计算机使用智能体与CLI深度融合TuriX-work与TuriX-code一站式工作应用【免费下载链接】TuriX-CUAThis is the official website for TuriX Computer-use-Agent项目地址: https://gitcode.com/gh_mirrors/tu/TuriX-CUATuriX 是一款开源的计算机使用智能体Computer-Use-AgentCUA它能看懂你的桌面并代替你点击、输入、完成复杂任务。而TuriX 3.0带来了更大的变化把 CUA 的 GUI 操作能力与 CLI 的命令行执行能力深度融合并新增TuriX-work办公任务编排与TuriX-code编码与自动化工程执行两大模块成为一个一站式的工作应用。下面带你快速看懂这次升级。一图看懂TuriX 3.0 一体化工作应用2026 年 4 月 8 日官方发布了TuriX 3.0.0-alpha定位是all-in-one productivity app在同一条工作流里既可以用 CLI 的精准执行处理文件与工程任务又可以用 GUI 的视觉操作闭环完成界面上的点击与输入。两个新增能力的定位很清晰模块定位典型场景TuriX-work办公场景的任务执行与流程编排跨应用处理文档、邮件、表格TuriX-code开发场景的编码、自动化与工程执行写代码、跑脚本、批量处理为什么CUA CLI深度融合是关键以前的桌面自动化工具大多只有两条路要么写脚本快但脆弱依赖接口要么纯视觉点击通用但慢。TuriX 的多模型智能体架构本身就有分工Brain理解任务、生成步骤计划Actor基于视觉执行精确的 UI 操作Planner高层任务拆解开启use_plan后生效Memory跨步骤保持任务上下文核心逻辑见 src/agent/service.py而所有点击、输入、拖拽等桌面动作的落地执行在 src/controller/service.py 中。3.0 的意义在于CLI 侧的手和 CUA 侧的眼手被统一到同一条工作流里——从写代码到处理办公事务一气呵成不再来回切换工具。TuriX-work让办公任务被编排起来TuriX-work 主打日常办公执行。看一个复杂案例老板在 Discord 发来一个 Numbers 表格TuriX 自动在其中生成柱状图、把图表插入到 PowerPoint 的正确位置最后回复老板——全程跨 3 个应用、零人工干预。类似订机票、订酒店、叫车这种跨应用的预订流程也是办公自动化的高频需求TuriX-code面向开发者的编码与自动化能力TuriX-code 面向开发场景编码、自动化与工程执行。仓库本身的入口 examples/main.py 就是典型用法——通过一个 JSON 配置文件驱动整个智能体python examples/main.py任务指令、模型配置、技能开关都集中在 examples/config.json 里。想换模型改配置文件即可大脑可热插拔支持本地 Ollama、多种云端服务商。 提示运行中随时按CmdShift2可强制停止智能体安全感拉满。硬核数据OSWorld 榜单第 3 名这套计算机使用智能体的实力有数据背书在完整 OSWorld 基准测试中取得64.2%成绩位列榜单第 3而在团队自建的 OSWorld 风格 Mac 基准上成功率超过80%。上手体验从安装到跑通只需几步获取应用跟随仓库 README.zh-CN.md 的指引下载应用如需源码构建可克隆仓库https://gitcode.com/gh_mirrors/tu/TuriX-CUA后执行conda create -n turix_env python3.12 pip install -r requirements.txt授予 macOS 权限在系统设置 ▸ 隐私与安全性中添加辅助功能与录屏权限详见中文文档。配置任务在 examples/config.json 中填写任务描述与模型 API 信息。启动python examples/main.py然后看着电脑自己干活。进阶玩法Skills 技能手册与 MCP 生态Skills用一份 Markdown 手册教会智能体特定领域操作。Planner 只看技能名称与描述来选型Brain 则读取完整内容指导执行。示例见 skills/github-web-actions.md工具与实现位于 src/utils/skills.py。MCPTuriX 支持 Model Context Protocol可被 Claude 等任意 MCP 客户端调用。比如下面的演示Claude 搜索 AI 新闻后通过 MCP 调用 TuriX 把结果写入 Pages 文档并发送。此外仓库还内置了 OpenClaw 技能包OpenCLaw_TuriX_skill/SKILL.md并支持 Windowsmulti-agent-windows分支与 Linuxmulti-agent-linux分支平台。写在最后TuriX 3.0 的前瞻方向很明确让 AI 不只会聊更会干——CLI 负责精确执行CUA 负责视觉闭环TuriX-work 与 TuriX-code 分别覆盖办公与开发两大场景。项目 100% 开源、个人与科研用途免费想深入了解可以阅读 CONTRIBUTING.MD 参与共建。现在就开始你的免手操作体验吧【免费下载链接】TuriX-CUAThis is the official website for TuriX Computer-use-Agent项目地址: https://gitcode.com/gh_mirrors/tu/TuriX-CUA创作声明:本文部分内容由AI辅助生成(AIGC),仅供参考
网站建设高端定制企业官网
RELATED

相关资讯

更多精彩内容,欢迎继续阅读

较早相关资讯

最新相关资讯

【外设】之大彩串口显示屏 2026/11/21 14:14:45

【外设】之大彩串口显示屏

大彩串口屏初步使用 1 .官网下载 STM32 屏幕 GUI 设计资料 http://www.gz-dc.com/category/typeid/4112 找到 STM32 Keil 工程,移植相关代码因项目而异进行移植,由于项目简单,本人只对用到的指令接口进行修改。 比如:注意事项&…

阅读更多 →
无法下载Windows系统iso文件 2026/11/21 14:14:26

无法下载Windows系统iso文件

当我遇到这个问题的时候,我打开了一个网站: 登录 然后我打算下载的时候: 突然那个官方的连接就可以下载了:

阅读更多 →
【清华代码熊】DeepSeek V4.1 Flash 后训练详解 2026/11/21 21:08:55

【清华代码熊】DeepSeek V4.1 Flash 后训练详解

📌 上期解析了 DeepSeek V4.1 Flash 模型架构改进,本期解析 DeepSeek V4.1 Flash 预训练/后训练技术: 🌟 预训练:45T 文本 多模态混合语料、直接训练 sparse attention(取消 DeepSeek V4 的 dense 冷启动&…

阅读更多 →
Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ... 2026/11/20 16:11:20

Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ...

文章主要内容和创新点 主要内容 本文聚焦于多模态大语言模型(MLLM)强化学习(RL)训练中的效率问题,提出了一个名为Shuffle-R1的框架。研究发现,当前RL训练存在两个关键缺陷: 优势值坍缩(Advantage Collapsing):批次中大多数优势值集中在零附近,导致有效梯度信号被淹…

阅读更多 →
PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction 2026/11/21 19:02:25

PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction

一、文章主要内容总结 本文聚焦于利用大型语言模型(LLMs)实现个人身份信息(PII)脱敏的研究,旨在解决传统脱敏方法(如基于规则的系统、领域特定命名实体识别(NER)模型)泛化能力差、跨格式/跨语境适应性弱的问题。 研究通过全面评估多种LLM架构(包括密集型LLM(D-LLM…

阅读更多 →
LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model 2026/11/21 14:13:11

LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model

文章主要内容和创新点 主要内容 本文聚焦于二进制图像-文本相关性评估任务(判断图像与文本“相关”或“不相关”),针对该任务中文本格式多样、相关性定义随场景变化等挑战,提出了基于多模态大语言模型(MLLM)的解决方案LLaVA-RE。 模型设计:LLaVA-RE基于LLaVA 1.5架构,…

阅读更多 →

今日资讯

本周资讯

本月资讯

看完文章仍有疑问?

联系尧图顾问,获取一对一建站咨询

立即免费咨询 📞 400-888-8888
📞 ✉