Step-level Optimization for Efficient Computer-use Agents
本文提出了一种模块化、事件驱动的逐步级联框架，该框架通过默认采用小型、低成本策略，并仅在轻量级监控器检测到进展停滞或语义漂移时升级至大型、高成本模型，从而优化计算机使用代理的效率。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
想象一下，你正在雇佣一个助手团队，帮助你穿越一座复杂且陌生的城市，以完成一长串杂务。
问题：“昂贵专家”陷阱
目前，大多数计算机代理的工作方式如下：你雇佣一位超级昂贵、世界级的专家（一个庞大的 AI 模型）为你做出每一个决定。他们查看地图、选择转弯，并走完全程。
- 优点： 他们非常聪明，很少迷路。
- 缺点： 他们极其缓慢且昂贵。即使你只需要在一个熟悉的拐角左转，你也在支付专家高昂的每小时费率。如果代理陷入循环（原地打转）或开始朝错误的方向行进而你未察觉，专家就会继续行走，消耗金钱和时间，直到任务失败。
解决方案：“智能级联”（STEPWISE）
本文作者提出了一种新的雇佣协助方式。你不再为每一步都支付专家费用，而是雇佣一位廉价、快速的本地向导（一个较小的 AI 模型）来负责行走。这位向导掌握基础知识，能够完美处理 90% 的常规步骤。
然而，你将昂贵专家保留在快速拨号中。仅在两种特定情况下，由两个监视本地向导的“智能传感器”（监控器）检测到后，你才会呼叫他们：
“停滞传感器”（进度监控器）：
- 比喻： 想象你的本地向导正在原地打转，或者反复敲击同一个门把手。传感器察觉到：“嘿，我们没有前进！”
- 行动： 它立即呼叫专家说：“我们卡住了！接管过来，找出新路径，让我们重新动起来。”一旦专家打破循环，控制权就交还给廉价向导。
“里程碑传感器”（漂移监控器）：
- 比喻： 有时，向导并非原地打转，而是自信地朝错误的方向行走（例如，当你要求去图书馆时，他却去了杂货店）。这被称为“静默漂移”。向导看起来忙忙碌碌，但实际上正在失败。
- 行动： 传感器等待一个自然的“检查点”（例如完成一项主要杂务）。它询问专家：“我们刚刚完成的是正确的事情，还是偏离了轨道？”如果专家回答：“不，你走错商店了”，专家就会接管以纠正方向。如果专家回答：“是的，干得好”，廉价向导就继续行走。
为何有效
该论文在两个现实世界的“城市”（涉及桌面软件和网页浏览的复杂计算机任务）上测试了此系统。以下是他们的发现：
- 更便宜： 通过让廉价向导承担大部分工作，他们将运行这些代理的成本降低了高达75%。
- 更快： 代理完成任务的速度提高了高达45%，因为它们无需为每一个微小步骤等待缓慢的专家。
- 同样出色： 成功率（正确完成任务）几乎与在整个旅程中始终使用昂贵专家的情况相同。
核心结论
该论文认为，计算机任务的每一步并非同等困难。大多数步骤是常规的；只有少数步骤是危险或棘手的。通过采用一种“智能级联”机制，仅在必要时在廉价工作者和昂贵专家之间进行切换，我们可以构建出既快速、经济实惠，又依然非常智能的计算机代理。这将一个“始终在线”的昂贵过程转变为一个“按需调用”的智能系统。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。