この記事はゆっくりテックウォッチ Advent Calendar 2025 の 6 日目の記事です。

個人開発の「ゆっくり動画スタジオ」でGitHub人気リポジトリの解説動画を自動生成しており、その分析データをもとに本記事も生成しています。

TL;DR

自然言語でPC・ブラウザを完全自動操作できるAIエージェント
ByteDance発のオープンソース（Apache-2.0）、スター数19,000超え
npx @agent-tars/cli 一発でインストール、すぐに使える

このリポジトリについて

ByteDance発のマルチモーダルAIエージェントでPCとブラウザを自然言語で操作できます。

UI-TARS-desktopは、ByteDanceが開発したマルチモーダルAIエージェントスタックです。Agent TARSとUI-TARS Desktopの2つのプロジェクトを含み、GUI操作とビジョン機能を活用してターミナル、PC、ブラウザを自然言語で制御できます。

項目	内容
リポジトリ	bytedance/UI-TARS-desktop
スター数	⭐ 19,684
言語	TypeScript
ライセンス	Apache License 2.0
作成日	2025-01-19

なぜ今注目されているのか

PC操作の自動化は、これまで複雑なスクリプトを書く必要がありました。SeleniumやPlaywrightでは要素のセレクターを指定し、プログラミングの知識が必須でした。

UI-TARS-desktopは、自然言語でPCとブラウザを完全制御できるAIエージェントです。「ホテルを予約して」と言うだけでAIが画面を認識し、実際に操作を行ってくれます。

スター推移

2025年1月にリリースされ、わずか2か月で急成長。とくに3月24日前後に大きくバズり、1日で1,600スター以上を獲得しました。その後も着実に成長を続け、現在は約19,700スターに到達しています。

主な機能・特徴

1. 自然言語でPC・ブラウザを完全自動操作

最大の特徴は、プログラミング不要で自然言語による操作指示ができること。たとえば「9月1日から6日までLAのリッツカールトンをBooking.comで予約して」と伝えるだけで、AIがブラウザを操作して予約を完了します。

Vision-Language Model（VLM）を活用し、人間が見ている画面をAIも認識。クリック位置や入力フィールドを自動で特定します。

2. ByteDance発のマルチモーダルAIエージェント

TikTokで知られるByteDanceが開発した信頼性の高いプロジェクト。UI-TARS-1.5モデルを中心に、Claude、GPT-4など複数のLLMプロバイダーに対応しています。

3. npx一発でインストール、すぐに使える

# これだけで起動可能
npx @agent-tars/cli@latest

Node.js 22以上があれば、このコマンド一発でWeb UIが起動します。面倒な環境構築は不要です。

4. ホテル予約やフライト検索も自動で完了

実際のデモでは以下のようなタスクが自動化されています：

Booking.comでのホテル予約
Pricelineでの航空券検索・予約
VS Codeの設定変更
GitHubのissue確認

技術スタック

Electron + TypeScriptでマルチモーダルAIエージェントを実装しています。

分類	技術
主要技術	TypeScript, Node.js, Electron
フレームワーク/ライブラリ	Playwright, pnpm, Turbo, Vitest
インフラ	Hugging Face, VolcEngine, ModelScope
連携サービス	MCP (Model Context Protocol), Chrome/Edge/Firefox

特筆すべきは MCP（Model Context Protocol） への対応。AIと外部ツールをつなぐ標準規格で、さまざまなサービスとシームレスに連携できます。

ユースケース

ユースケース1: 業務効率化を求めるバックオフィス担当者

背景: 総務部で経費精算や予約管理を担当する田中さん。毎月の出張手配で航空券・ホテル予約に数時間を費やしている。

課題: 複数サイトを比較しながらの予約作業が面倒で時間がかかる。

解決策: UI-TARSに「9月1日から6日、LAのリッツカールトンを予約」と指示。Agent TARSがBooking.comで条件に合うホテルを検索・予約。

結果: 予約作業が数時間から数分に短縮。他の業務に集中できるように。

ユースケース2: 自動化に興味のあるソフトウェアエンジニア

背景: スタートアップで働くエンジニアの鈴木さん。日常的にSeleniumやPlaywrightでE2Eテストを書いている。

課題: 要素セレクターの変更でテストが頻繁に壊れる。

解決策: UI-TARSのGUI Agent機能で画面認識ベースの自動化を試す。自然言語で操作を指示し、セレクターに依存しない自動化を実現。

結果: メンテナンスコストが激減。新しい自動化の可能性を発見。

競合との比較

Selenium/Playwrightとの違い

観点	UI-TARS-desktop	Selenium/Playwright
操作指示方法	自然言語	コード（セレクター指定）
メンテナンス性	画面認識で要素特定、変更に強い	セレクター変更で壊れやすい
学習コスト	自然言語で直感的	プログラミング知識が必要
実行速度	AI推論のオーバーヘッドあり	高速

UI変更が頻繁な環境や、非エンジニアも使う自動化が必要な場合はUI-TARSが適しています。

従来のRPAツール（UiPath等）との違い

観点	UI-TARS-desktop	UiPath等
価格	オープンソース（無料）	有料（高額）
設定の容易さ	自然言語で指示	GUI設計ツールで設定
AI機能	マルチモーダルAI内蔵	オプション/追加機能

コストを抑えたい場合や、AIネイティブな自動化を求める場合にオススメです。

始め方

# Node.js 22以上が必要
npx @agent-tars/cli@latest

# グローバルインストールする場合
npm install @agent-tars/cli@latest -g

# LLMプロバイダーを指定して起動
agent-tars --provider anthropic --model claude-3-7-sonnet-latest --apiKey your-api-key

詳細は公式ドキュメントを参照してください。

まとめ

ByteDance発のオープンソースマルチモーダルAIエージェント
自然言語でPC・ブラウザを操作できる革新的なツール
npx一発でインストールしてすぐに試せる手軽さ

GitHubでスターして、npxで今すぐ試してみましょう！

動画を配信しています

YouTubeチャンネル「ゆっくりテックウォッチ」では、GitHub の注目リポジトリをゆっくり解説しています。

この記事で紹介した UI-TARS-desktop の解説動画も公開していますので、ぜひご覧ください！

チャンネル登録よろしくお願いします！

関連リンク

この記事は AI によって自動生成されました。内容に誤りがある可能性があります。