• 简体中文
      • New
      使用 Midscene Skills 控制任意平台|了解更多

      Midscene.js

      AI 驱动、视觉感知，适用于全平台的 UI 自动化。

      13k+
      Github Stars
      #2
      Github 趋势榜第2名
      使用文档案例展示
      平台

      Web、PC、Mobile 等多端支持

      用自然语言跨平台控制浏览器和移动应用
      统一的 API 设计，轻松实现跨平台自动化
      支持 Android、iOS、HarmonyOS、Linux、macOS 和 Windows
      Web

      Web

      与 Puppeteer 或 Playwright 集成，或使用桥接模式控制桌面浏览器。
      PC

      PC

      通过自然语言控制 macOS、Windows、Linux 上的桌面应用。
      AndroidiOS

      Mobile

      通过自然语言自动化控制 Android、iOS 和 HarmonyOS 设备。
      Any Interface

      任意界面

      视觉建模支持任意界面的自动化，突破 DOM 限制。
      模型策略

      视觉模型 多模型组合 适配开源模型

      视觉模型提升操作精准度
      多模型协同提升完成率
      有开源选项也靠谱

      豆包 Seed

      豆包 Seed 视觉模型，针对视觉理解和 UI 元素识别进行优化，表现出色。

      qwen3.7-plus

      Qwen 视觉语言模型，支持高质量图像理解和 UI 元素识别，性价比高。

      gemini-3.5-flash

      Gemini 先进的多模态模型，拥有强大的视觉能力和全面的 UI 自动化支持。
      Multi-model combo

      多模型组合

      支持在规划、交互时选用不同模型，提升任务完成率
      开发体验

      丰富的 API 和工具

      大量实用 API，方便控制自动化流程和运行策略
      支持扩展自己的 UI 操作 Agent
      帮助开发者快速完成 UI Automation 任务上线
      Rich APIs

      丰富的 API

      同时支持智能执行流程与原子化精确控制。
      Skills & MCP

      Skills 与 MCP

      为 AI 编程工具提供开箱即用的 Agent Skills，同时支持将设备操作暴露为 MCP Server。
      Reports & Playground

      报告与 Playground

      提供直观的可视化报告，帮助开发者回溯自动化流程
      Flexible Integration

      灵活集成

      支持使用 Yaml 编写自动化流程，支持自定义 Agent 执行策略
      .
      查看所有 APIArrow right
      aiAct, aiLocate, aiAssert...
      探索完整的 API 文档以获取更多自动化能力。

      谁在使用 Midscene

      ByteDance
      火山引擎
      抖音
      TikTok
      飞书
      汽水音乐
      豆包
      阿里巴巴
      AVATR
      小米
      爱奇艺哔哩哔哩Autel懂车帝
      使用文档案例展示