Tarsier：构建基于视觉交互的多模式网络代理工具库

摘要：Tarsier是一个开源的简单实用的多模式网络代理工具库，它提供了视觉标记可交互元素、页面截图OCR识别、文本元素标记等功能，为网页交互代理提供了更深层次的视觉和文本处理能力。该工具库通过在页面上使用方括号+id..

Tarsier是一个开源的简单实用的多模式网络代理工具库，它提供了视觉标记可交互元素、页面截图OCR识别、文本元素标记等功能，为网页交互代理提供了更深层次的视觉和文本处理能力。

该工具库通过在页面上使用方括号+id的方式对可交互元素进行视觉标记，提供了元素和id之间的映射，使得GPT-4（V）可以对这些元素进行操作。

项目地址:https://github.com/reworkd/tarsier

Tarsier还提供了OCR工具，可以将页面截图转换为LLM可理解的字符串，为没有视觉能力的LLM提供了更深层次的交互能力。

此外，Tarsier还提供了一些示例代理，如自主LangChain网络代理和自主LlamaIndex网络代理，可以演示Tarsier的使用方式。

总之，Tarsier通过提供视觉标记、OCR识别等功能，为网页交互代理提供了更丰富的交互能力，为现有的视觉语言模型的性能问题提供了解决方案。