Bytebot：开源 AI 桌面代理，11K Stars 自托管让 AI 替你操作电脑

想象一下：你有个虚拟员工，它有自己的电脑、自己的操作系统、自己的工作台。你说一句"把三个供应商网站的最新发票都下载归个档"，它就自己打开浏览器、登录网站、下载文件、分文件夹存好。

Bytebot 就是干这个的——一个自托管的 AI 桌面代理。不是浏览器插件，不是 API 套壳，它有一个完整的虚拟桌面。11K+ ⭐ 开源项目。

是什么

Bytebot 给 AI 配了一台完整的 Ubuntu 虚拟电脑。它能看屏幕、动鼠标、敲键盘、装软件、读文档——像真人一样操作桌面应用。

跟浏览器 Agent 不一样，Bytebot 不受 API 限制。它能操作任何桌面软件：浏览器、邮件客户端、Office、VS Code、命令行。跨系统、跨应用的多步流程，一条自然语言指令搞定。

怎么用

部署：Docker 两步搞定

git clone https://github.com/bytebot-ai/bytebot.git
cd bytebot
echo "ANTHROPIC_API_KEY=sk-ant-..." > docker/.env
docker-compose -f docker/docker-compose.yml up -d

打开 http://localhost:9992 就能看到虚拟桌面。或者一键部署到 Railway。

给任务

直接在 Web UI 里打字：

• "去 Wikipedia 整理一份量子计算的摘要"
• "下载上传的合同 PDF 里所有付款截止日期"
• "登录我们的 CRM 导出客户列表"
• "把这三个电商网站的产品价格做个对比表格"

Bytebot 自己打开浏览器、导航、操作、下载、整理。你在旁边实时看着屏幕。

核心特色

完整的虚拟桌面
Ubuntu + XFCE + Firefox + VS Code + 命令行。不是用浏览器 API 模拟，是真有一个电脑。需要什么软件让它自己装。

多模型支持
Claude、GPT、Gemini 都行。通过 LiteLLM 还能接 Azure、AWS Bedrock、Ollama 本地模型——100+ 供应商。

文件上传与处理
丢 PDF 给 Bytebot，它逐页看完、提取关键信息、交叉对比多份文档。比 API 能拿到的信息量大多了。

密码管理器支持
装 1Password、Bitwarden 到虚拟桌面，Bytebot 能自己填密码、处理 2FA——你不需要给它明文密码。

Takeover 模式
AI 操作到一半你发现它跑偏了？随时接管鼠标键盘把它拉回来，完事再放权。

REST API
脚本调用任务、截图、鼠标点击、文件上传——全部有 API。可以集成到自己的自动化工作流里。

持久化环境
装一次软件永久可用。今天装了个 Chrome 扩展，明天的任务里它还认识。

自托管
数据全在自己的 Docker 里，不出墙。适合对数据安全有要求的企业场景。

真实场景

• 👔 财务：登录三个银行官网下载月账单→合并报表→发邮件
• 📄 法务：几十份 PDF 合同→提取关键条款→输出对比表
• 📊 市场：监控竞品官网价格变化→截图→生成周报
• 🔧 开发：跨浏览器 UI 测试→截图→记录 Bug 到 Issues
• 📝 研究：多站点资料收集→交叉分析→整理成文档

不是没槽点

• 慢。 AI 一张截图一张截图地看、思考、点击……5 分钟能干完的事，AI 可能要跑 20 分钟。适合后台跑的不急任务，不适合"快帮我查一下"。
• 眼睛会瞎。 AI 视觉模型的准确率不是 100%。复杂页面、弹窗、验证码经常翻车。你需要盯着它——至少初期是这样。
• 依赖 AI 模型质量。 用 Claude 效果最好，GPT 还行，Gemini 差些。上本地小模型基本跑不动。这决定了你的 API 成本。
• 资源占用。 跑一个 Ubuntu 桌面+Docker 怎么也得 4GB 内存起步。机器不好别想。
• 登录还是门槛。 虽然支持密码管理器，但第一次配置各种网站的登录凭证还是得手动来一次。

同类对比 / 一句话总结

Bytebot 最值的地方：它把"AI 操作真实电脑"这件事做成了开箱即用的产品，不是 API 示例代码。丢到服务器上就能跑，跑起来就能干活。尤其适合跨系统、多步骤、需要读文档的业务流程自动化。

一句话：如果想让 AI 替你干电脑上的脏活累活，Bytebot 是目前最完整的自托管方案。

GitHub：https://github.com/bytebot-ai/bytebot
官网：https://bytebot.ai

关注我，每期分享一个帮你省事的强大工具 🛠️