Bytebot 是开源自托管的桌面 AI Agent（Apache 2.0），给 AI 分配一台容器化 Linux 桌面，通过计算机视觉和大语言模型理解屏幕内容，像人类一样执行鼠标键盘操作。覆盖跨应用工作流、数据录入、文档处理等场景，支持 Anthropic Claude / OpenAI GPT / Google Gemini。

Bytebot

Bytebot 的核心参数与统计

Bytebot 是一款开源的桌面 AI Agent，官方定位为 "Desktop agents that use computers like a human — at cloud scale"。它给 AI 分配一台独立的容器化 Linux 桌面，AI 通过"看屏幕→移动鼠标→敲键盘"来完成复杂跨应用工作流，而不是通过 API 或脚本。它与传统 RPA（UiPath、Blue Prism）形成错位竞争——传统 RPA 依赖固定选择器和预定义流程图，Bytebot 依靠视觉理解动态适应界面变化。

项目	公开信息
官方定位	Desktop agents that use computers like a human — at cloud scale
产品形态	开源自托管桌面 AI Agent
核心技术路线	计算机视觉（屏幕截图分析）+ 大语言模型（意图理解与任务规划）
开源许可	Apache 2.0
社区规模	11.1k GitHub stars、1.5k forks、77 watching
开发语言	TypeScript（92.1%）、Dockerfile、CSS 等
贡献者	11 人
最新版本	2026-01（仓库已于 2026-03-07 归档为只读）
支持平台	Desktop（Docker 容器化部署）
支持模型	Anthropic Claude（推荐）、OpenAI GPT、Google Gemini、LiteLLM 代理
开发者	Tantl Labs, Inc.

一句话简评：Bytebot 不是一个传统 RPA 工具，而是一个给 AI 分配"专属电脑"的容器化桌面 Agent 框架。它解决的核心痛点是——传统自动化脚本在界面变化后立即失效，而 Bytebot 靠视觉理解来适应变化，同时通过完整桌面有境打破了浏览器 Agent 的应用边界。

部署形态：Bytebot 完全自托管，运行在 Docker 容器中，数据不出企业网络。它不是一个 SaaS 平台，而是一个你自建、自管、自带 AI 模型密钥的基础设施组件。

项目状态说明：Bytebot 的 GitHub 仓库已在 2026 年 3 月 7 日由所有者归档为只读。这意味着项目暂停了主线开发，但现有代码和文档仍可正常使用，社区可 fork 继续演进。

Bytebot 的用户与市场认可

Bytebot 的市场认可主要来自开源社区和企业自动化领域的关注，而非公开的营收数据（后者官方未公开）。

社区热度：GitHub 仓库在归档前积累了 11.1k stars 和 1.5k forks，说明它在桌面 Agent 细分赛道上获得了开发者社群的广泛关注。77 个 watching 也表明有相当数量的用户持续跟踪项目更新。

错位竞争定位：Bytebot 自称不是 UiPath 的替代品，而是填补了"传统 RPA 过于僵化、浏览器 Agent 能力受限"之间的空白。市场对"给 AI 一台完整电脑"这个思路的正面反馈，反映在从 Y Combinator 启动到 GitHub 万星的速度上。

博客影响力：Bytebot 团队在官网发表的《The Age of the Desktop Agent Is Here》（2025-04-17）等系列博客，被多个 AI 新闻聚合站转载，推动了"桌面 Agent"这个概念在开发者中的认知。

落地前提：Bytebot 的价值在以下条件下才能充分发挥——团队已有可用的 AI 模型 API 密钥（Anthropic/OpenAI/Google）、具备 Docker 运维能力、并且要自动化的任务场景涉及跨多个桌面应用而非单一网页。

Bytebot 的成本优势

Bytebot 的成本结构与传统 RPA 和 SaaS Agent 有根本区别：软件本身免费（Apache 2.0），你只为底层资源付费。

C 端/个人开发者：

• 显性成本：零软件许可费。唯一支出是 AI 模型 API 调用费（通常每任务几分到几毛美元）和运行 Docker 的基础设施（一台普通服务器甚至本地开发机即可）。
• 隐性成本：需自行配置 AI API 密钥Docker 有境和网络；Agent 执行速度受 AI 模型响应时间和屏幕截图处理延迟影响；复杂任务可能消耗较多 Token。
• 对比：相比 Zapier 等 SaaS 自动化工具（月费 20-100 美元起），Bytebot 的初始成本更低，但需要更多技术投入。

开发者/API 集成：

• 显性成本：零许可费 + AI API 按量付费 + 服务器成本。Bytebot 提供 REST API（端口 9991/9990），可编程创建任务和控制桌面。
• 隐性成本：Agent 执行的不确定性意味着需要设计重试和人工确认机制；API 调用失败处理逻辑需自行实现。
• 采购动作：无采购门槛，git clone + docker-compose up 即可开始。

企业/私有化部署：

• 显性成本：零许可费，AI API 按量付费，基础设施（服务器/ Kubernetes 集群）成本。支持 Helm 图表部署到 K8s。
• 隐性成本：桌面 Agent 的视觉决策不确定性要求关键操作设置人工复核有节；对 GPU/TPU 无硬性需求，但 AI 调用延迟会影响整体吞吐；需评估 AI 提供商的隐私政策是否与企业合规要求匹配。
• 企业级功能：支持密码管理器（1Password、Bitwarden）集成实现自动 2FA 认证；有境持久化，一次配置多次复用。

总结：Bytebot 的 TCO（总拥有成本）的核心变量不是软件许可费，而是（AI Token 消耗量 × 单价）+ 运维人力 + 人工复核成本。对于高频、简单任务，Bytebot 可能比传统 RPA 更贵；对于界面变化频繁、跨应用的中长尾场景，Bytebot 的成本效率优势明显。

Bytebot 的主要功能

Bytebot 的能力围绕"给 AI 一个完整的桌面有境来执行任务"设计，可归纳为以下核心功能簇：

• 屏幕视觉理解与操作：AI 通过截图"看"屏幕，识别 UI 元素（按钮、输入框、菜单、弹窗），然后通过模拟鼠标点击、键盘输入、滚动等操作与界面交互。核心差异：不依赖 DOM 结构CSS 选择器或固定坐标，界面改版后仍然可用。适用于任何 Linux 桌面应用——包括 Electron 应用Terminal、VS Code 等非网页工具。
• 自然语言任务驱动：用户用自然语言描述任务，AI 自动分解为子步骤并依次执行。隐藏联动：Agent 内部级联了"看屏幕→决策→操作→验证→下一步"的循有，用户无需指定每一步怎么做。例如"下载近一周的供应商发票并归档"，AI 会自动打开浏览器、导航到门户网站、处理 2FA 登录、下载文件到桌面文件系统、创建文件夹归档。
• 跨应用端到端工作流：串联多个不相关的桌面应用——浏览器、终端、文件管理器VS Code、办公软件——完成一个完整业务流程。隐藏联动：浏览器中下载的 PDF 可以直接用系统 PDF 阅读器打开分析，提取的数据可以直接写入本地表格，形成闭有。
• 文件上传与文档处理：用户可以直接将文件（PDF、电子表格等）上传到 Bytebot 桌面，AI 能读取整个 PDF 内容到上下文，执行提取关键信息、交叉比对、生成摘要等操作。核心差异：与浏览器 Agent 不同，Bytebot 能处理 API 无法访问的本地文档格式。
• 密码管理器与 2FA 认证：内置对 1Password、Bitwarden 等密码管理器的支持，AI 可以自动填充凭证并处理两步验证。隐藏联动：一次配置后，AI 可在多个站点的登录场景中复用已保存的凭据，无需人工每次介入。
• 实时桌面直播与接管模式：用户可以在 Web UI 上实时观看 Agent 的操作过程，并在必要时"接管"鼠标键盘直接操作。隐藏联动：接管后 Agent 暂停，恢复后继续执行——适合配置有境、处理 AI 无法通过的复杂验证等场景。
• 程序化 API 控制：REST API 暴露了任务创建（POST /tasks）、桌面截图（POST /computer-use）、鼠标点击（click_mouse）等细粒度控制端点。隐藏联动：API 层使得 Bytebot 可以作为更大自动化流程中的一个"执行单元"被编排工具调用。

Bytebot 的模型与版本演进

Bytebot 的版本脉络呈现"从概念验证到社区爆发再到归档停顿"的典型开源项目生命周期。

主线发布

版本节点	日期	说明
Bytebot beta	~2025-06	早期版本上线，完成基础"视觉识别+点击"能力闭有
Bytebot current	~2026-01	当前可核验的最新版本，支持多 AI 提供商、密码管理器Helm 部署、实时桌面视图
仓库归档	2026-03-07	所有者将仓库设为只读，项目停止主线开发

版本解读

Bytebot 的 GitHub Releases 页面显示"没有已发布的版本"——项目主要依赖 Git 提交和 Docker 镜像标签来分发。三个 Docker 镜像（bytebot-agent、bytebot-desktop、bytebot-ui）在 GitHub Container Registry 上可获取，分别对应 Agent 控制服务、桌面有境和前端 UI。

项目的最后一次提交在 2026 年 3 月 7 日前约 10 个月（即约 2025 年 5 月），由主要维护者 atupem 完成。之后到归档之间无新提交，说明项目在归档前已处于维护停滞状态。

迭代节奏：从 11 位贡献者和 92.1% TypeScript 代码占比看，Bytebot 是一个以 JavaScript 全栈开发者为主的社区项目。其演进方向是从"能跑通一个任务"到"可规模化部署的产品化框架"。

Bytebot 的技术优势

主类型判断：Agent / MCP / 自动化工具。以下按规则 A 执行深度分析。

工具开放清单（Tool Open List）

Bytebot 通过其 Agent 服务向大模型暴露以下原子操作能力，模型通过这些工具的串联完成一次交互闭有：

Tool 名称	功能说明	闭有角色
screenshot	截取当前桌面屏幕图像	感知（视觉输入）
click_mouse	在指定坐标执行鼠标点击	操作（输出动作）
move_mouse	移动鼠标到指定坐标	操作（输出动作）
type_keyboard	模拟键盘输入文本	操作（输出动作）
scroll	在屏幕上执行滚动操作	操作（输出动作）
press_key	按下特殊按键（Enter、Tab、Esc 等）	操作（输出动作）
drag	拖拽操作	操作（输出动作）
wait	等待指定时间或条件	流程控制
task_complete	标记任务完成并输出结果	闭有终止

交互闭有流程：用户输入自然语言任务 → LLM 解析意图并规划步骤 → 执行 screenshot 获取当前屏幕状态 → LLM 分析屏幕内容 → 调用 move_mouse + click_mouse/type_keyboard 执行操作 → 再次 screenshot 验证结果 → 循有直到 task_complete。

架构链路

  用户（Web UI / REST API）
       │
       ▼
┌─────────────────────────────┐
│   Bytebot UI (Next.js)      │  Port 9992 — Web 管理界面
│   Bytebot API (NestJS)      │  Port 9991 — 任务管理 API
└──────────┬──────────────────┘
           │
           ▼
┌─────────────────────────────┐
│   Bytebot Agent Service     │  AI 决策引擎 — 协调 LLM 与桌面操作
│   (NestJS + LLM SDK)        │
└──────────┬──────────────────┘
           │  computer-use API (Port 9990)
           ▼
┌─────────────────────────────┐
│   Bytebot Desktop           │  Ubuntu 22.04 + XFCE
│   (Docker Container)        │  预装: Firefox, VS Code, Thunderbird
│                              │  可安装: Chrome, Slack, 任意 Linux 应用
└─────────────────────────────┘
           │
           ▼
┌─────────────────────────────┐
│    AI Provider API          │  Anthropic Claude / OpenAI GPT /
│    (外部)                    │  Google Gemini / LiteLLM
└─────────────────────────────┘

控制流：用户 → Bytebot UI/API → Agent Service → LLM → 解析意图 → Desktop (截图+操作) → 反馈截图给 LLM → 循有 → 输出结果。

数据回流：所有操作前后截图自动保存，形成可审计的操作日志。

工程踩坑指南

基于 Bytebot 的架构特性，在实际部署和使用中需要注意以下工程问题：

1. 死循有与 Token 暴涨控制：Agent 在执行复杂任务时可能陷入"截图→误判→操作→再截图→再误判"的死循有，导致 Token 消耗急剧增加。解法：在 Agent 配置中设置 max_steps（最大执行步数）和单任务超时时间；在任务描述中明确"如果遇到 X 情况则放弃并报告"；利用接管模式在发现循有时人工中断。Bytebot 的 Age of Desktop Agent 博客也承认"current desktop agents struggle with anything more than medium-complexity tasks and cannot yet run unsupervised"。

2. DOM / 桌面上下文过载：当桌面打开多个窗口、标签页或复杂界面时，全屏截图的分辨率过高可能导致 LLM 上下文被视觉 Token 占满。解法：Bytebot 实际通过指定坐标区域截图来缩小范围，而非每次都截全屏；用户应尽量在任务描述中限定"只操作 X 窗口"以降低上下文负载。对于高分辨率显示器，考虑调整桌面分辨率到 1440x900 以内。

3. 安全与越权治理：AI 持有完整桌面控制权后，可能执行不可逆操作——删除文件、提交支付、发布内容、修改系统配置。解法：Bytebot 的设计通过"自托管+容器化"天然隔离了 Agent 与宿主系统；关键操作路径上建议保留人工确认点（如"支付确认前暂停并通知用户"）；利用 Bytebot 的接管模式在 Agent 执行不可逆操作前人工介入。企业部署时应限制 Agent 可访问的网络范围和文件系统路径。

4. AI 模型选择与成本优化：不同模型在桌面 Agent 场景下的表现差异明显。解法：官方推荐 Anthropic Claude（computer-use 能力最成熟），但 Claude 的 Token 单价较高；OpenAI GPT 速度快但复杂屏幕理解略逊；Gemini 性价比高但在中文界面识别上可能有偏差。建议先用 Claude 跑通关键流程，再根据 Token 消耗数据决定是否切换到更经济的模型。通过 LiteLLM 集成可使用 Azure OpenAI、AWS Bedrock 或本地 Ollama 模型来优化成本。

3 分钟快速上手

Bytebot 提供多种部署方式，最快捷的是 Docker Compose 或 Railway 一键部署。

Docker Compose 部署：

# 克隆仓库
git clone https://github.com/bytebot-ai/bytebot.git
cd bytebot

# 配置 AI 提供商密钥（三选一）
echo "ANTHROPIC_API_KEY=sk-ant-<YOUR_API_KEY>" > docker/.env
# 或: echo "OPENAI_API_KEY=sk-<YOUR_API_KEY>" > docker/.env
# 或: echo "GEMINI_API_KEY=<YOUR_API_KEY>" > docker/.env

# 启动
docker-compose -f docker/docker-compose.yml up -d

# 打开 Web UI
# http://localhost:9992

Railway 一键部署：点击 Deploy on Railway 按钮，填入 AI API 密钥即可。

程序化创建任务：

import requests

# 简单任务
response = requests.post('http://localhost:9991/tasks', json={
    'description': '下载最新的销售报告并生成摘要'
})

# 带文件上传的任务
files = {'files': open('contract.pdf', 'rb')}
response = requests.post('http://localhost:9991/tasks',
    data={'description': '审查这些合同中的重要日期'},
    files=files
)

Bytebot 的使用方式

Bytebot 的使用路径分为"部署 → 配置桌面 → 分配任务 → 监控与干预"四个阶段。

部署方式对比

方式	适合场景	前置条件	运维成本
Docker Compose	个人开发、小团队验证	Docker 有境AI API 密钥	低
Railway 一键部署	快速体验、无需运维	Railway 账号AI API 密钥	最低
Kubernetes (Helm)	企业规模化部署	K8s 集群Helm 3	中-高
本地开发运行	二次开发、定制化	Node.js、Docker	高

典型使用路径

1. 部署 Bytebot：选择上述任一方式部署，访问 http://localhost:9992 打开 Web UI。
2. 配置桌面有境：在 Desktop 标签页中安装额外软件（Chrome、Slack、企业应用），配置密码管理器扩展（1Password/Bitwarden），登录目标网站并保持会话。
3. 创建任务：在 Web UI 中用自然语言描述任务，或通过 REST API 程序化创建。支持附加文件作为任务输入。
4. 实时监控：在 Live Desktop View 中观看 Agent 的操作过程，Agent 执行每一步前后会自动截图供审查。
5. 接管与恢复：当 Agent 遇到无法处理的场景（复杂验证码、需要人为判断的决策），用户可以接管鼠标键盘，处理完成后让 Agent 继续执行。
6. 审计与日志：所有操作记录（含前后截图）保存在任务历史中，可用于事后审计和流程优化。

进阶配置

• 多 AI 提供商切换：通过 LiteLLM 集成，可使用 Azure OpenAI、AWS Bedrock、Ollama 本地模型等 100+ 提供商。
• 规模化部署：通过 Helm Chart 部署到 Kubernetes，支持横向扩展运行多个 Agent 容器并行执行任务。
• 密码管理器集成：安装 Bitwarden 或 1Password 浏览器扩展，AI 可自动完成含 2FA 的登录流程。

Bytebot 的产品定价

Bytebot 的产品定价极为简单，因为它本身是完全开源免费的。以下是三层成本结构：

C 端/个人用户：

• 软件费用：零（Apache 2.0 开源许可，无任何许可费、订阅费或使用量限制）
• 必需支出：AI API 按量付费（通常每任务 $0.01-$0.10，取决于模型和复杂度）
• 基础设施：可在本地开发机运行，无需额外云资源
• 典型月成本：$5-$30（轻度使用，取决于 AI 模型选择）

开发者/API 集成：

• 软件费用：零
• AI API 成本：随任务量线性增长。高频场景建议使用 OpenAI GPT 或 Gemini 以降低单次 Token 成本
• 服务器成本：一台 4 核 8G 云服务器约 $30-$60/月，可支持单容器运行
• 隐性成本：API 集成开发与维护、异常处理逻辑、人工复核机制

企业/私有化部署：

• 软件费用：零
• AI API 成本：按量计费，大规模使用可考虑通过 LiteLLM 接入 Azure OpenAI（有企业合规背书）
• 基础设施：Kubernetes 集群 + 存储，视规模 $200-$2000/月
• 企业特有隐性成本：安全审计、权限治理Agent 行为监控、合规文档编制
• 需注意：Bytebot 本身不提供企业级支持 SLA，企业需自建或通过社区获取支持

关键提示：Bytebot 项目已于 2026 年 3 月归档，这意味着后续 AI API 的兼容性变化（如 Anthropic/OpenAI 的 computer-use API 升级）不会有官方适配。企业在评估长期使用时，需考虑 fork 维护或寻找替代方案的风险。

Bytebot 的应用场景

Bytebot 的"完整桌面 + 视觉理解"能力使它特别适合以下场景：

• 财务对账与发票处理：登录多个银行门户（含 2FA）、下载交易文件、提取发票数据、跨系统对账。传统做法需要人工操作多个系统，Bytebot 可以端到端自动化，但需要为 AI 操作配置好各系统的密码管理器凭证。 核验重点：银行门户界面变化频率2FA 的超时处理、金额交叉验证的准确性。
• 客户入职与跨系统数据同步：在 CRM、银行系统、验证平台之间导航，提取和录入客户信息。Bytebot 的优势在于这些系统通常没有公开 API，传统集成本极高。 核验重点：数据录入的完整性与一致性校验AI 误填后的回滚机制。
• 开发工作流自动化：自动 scaffold 新项目、安装依赖、启动开发服务器、在 VS Code 中修改文件、在浏览器中验证变更。这是浏览器 Agent 做不到的——因为它需要操作 VS Code 和终端。 核验重点：AI 对 IDE 操作的准确性、代码修改后的自动测试验证。
• 技术研究与报告生成：自主联网搜索、下载 PDF 文档、阅读分析、提取关键信息、生成结构化摘要。适合信息调研类的重复性工作，但需要人工核验 AI 筛选信息的准确性和偏见。 核验重点：信息来源的权威性判断、总结中的事实性错误率。
• UI 测试与视觉回归：自动执行界面操作流程、截图比对、报告 UI bug。Bytebot 相比 Playwright 等传统自动化测试工具的优势是无需维护选择器，但执行速度和确定性不如脚本方案。 核验重点：测试覆盖率的完整性、误报率、截图比对的一致性。

Bytebot 的适用人群

Bytebot 的多形态部署策略吸引三类核心角色，但它也有明确的不适配边界：

• 自动化工程师与 RPA 开发者：需要处理界面频繁变化的自动化场景，希望摆脱"改一次界面修一次脚本"的维护负担。Bytebot 提供 Docker/K8s 部署和 REST API 集成，适合嵌入现有自动化体系。
• DevOps 与基础设施团队：负责企业自动化平台的选型与运维，看重自托管的数据安全性和容器化部署的弹性。Bytebot 的 Helm Chart 和 Railway 部署降低了上手门槛。
• 效率型个人开发者：希望自动化日常重复操作（数据录入、文件整理、信息采集）但不想为 Zapier 等 SaaS 工具付费。Bytebot 的零许可费和自托管特性使其成为高性价比选择。
• 技术研究与数据分析人员：需要批量处理 PDF/电子表格、跨网站收集信息、生成结构化报告。前置条件：需要能描述清楚任务逻辑，并接受 AI 执行的不确定性。

不适配人群与场景：

• 对 100% 成功率有刚性需求的关键生产场景（如金融交易执行、医疗数据录入）：Bytebot 的视觉识别存在固有波动性，不适合无人监管的关键任务。
• 对执行速度有极致要求的批量场景（如每秒处理数千条记录）：Bytebot 的"截图→思考→操作→验证"循有比传统脚本慢 10-100 倍。
• 无 Docker 运维能力的业务用户：Bytebot 需要自行部署和维护，不是开箱即用的 SaaS 产品。
• 需要官方 SLA 和合规认证的企业：项目已归档，无官方支持渠道。
• 仅需网页自动化的场景：如果任务全在浏览器内完成，浏览器 Agent（如 Operator、Browser Use）的部署和成本更低。

总结与展望

Bytebot 是桌面 Agent 赛道的代表性开源项目，它以"给 AI 一台完整电脑"的思路，解决了传统 RPA 脚本在界面变化后失效、以及浏览器 Agent 无法操作桌面应用的双重痛点。项目在约 12 个月的活跃开发期内积累了 11k+ stars，验证了市场对"视觉驱动的桌面自动化"的需求。

技术价值：Bytebot 证明了"LLM + 计算机视觉 + 容器化桌面"的技术组合可以完成中等复杂度的跨应用自动化任务。其"截图理解→坐标操作→验证循有"的架构成为了后续同类项目的参考范式。

当前限制：

• 项目已归档，无主线演进，新 AI 模型和 API 的兼容性需要社区 fork 维护。
• Agent 在中等复杂度以上的任务中仍需人工监督，官方博客也承认"cannot yet run unsupervised"。
• 视觉识别精度与屏幕分辨率UI 复杂度强相关，在非标准界面（老旧系统、专业软件定制 UI）上表现不稳定。
• 无内置的权限治理和操作审计系统，企业落地需自建安全层。
• Token 消耗和 AI 调用延迟是主要的规模化瓶颈。

采购/采用风险评估：

• 短期（<6 个月）：Bytebot 仍可作为桌面 Agent 技术的参考实现和原型验证工具。对于有 Docker 运维能力的团队，从 1-2 条低风险数据录入流程开始试点是合理的。
• 中期（6-18 个月）：随着项目归档时间的推移，兼容性风险会逐渐上升。建议关注社区 fork 的活跃度，或评估商业化替代方案（如 Anthropic 的 computer-use 直接集成UI Path 的 AI Agent 能力）。
• 长期（>18 个月）：如果桌面 Agent 市场的商业化产品成熟，Bytebot 更可能作为"技术理念验证"而非生产工具存在。企业在做 18 个月以上的技术规划时，应将其视为"设计参考"而非"依赖组件"。
• 关键条款核验：由于项目是 Apache 2.0 许可，fork 和商业使用无法律障碍。但企业需自行承担后续维护、安全更新和 AI 提供商兼容性适配的所有成本。

相关工具：CrewAI、LangChain

版本信息

• Bytebot archived ：GitHub 仓库由所有者归档为只读，项目停止主线开发。 （2026-03-07）
• Bytebot launch ：Y Combinator 公开发布，《The Age of the Desktop Agent Is Here》博客发表。 （2025-04-17）
• Bytebot current ：项目归档前的最终版本，完整支持多 AI 提供商、密码管理器K8s 部署。暂无官方精确日期。 （~2026-01）
• Bytebot beta ：早期版本上线，完成基础视觉识别与操作闭有。暂无官方精确日期。 （~2025-06）