Multi-Agent Computer Use
本文提出了多智能体计算机使用（Multi-Agent Computer Use, MACU）系统，该系统通过一个管理模型利用动态有向无环图（DAG）来编排并行子智能体，以有效地处理复杂的长程任务，并在桌面和网络导航基准测试中展示了相较于单智能体基准模型的显著性能提升。
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
想象一下你需要组织一场大规模、复杂的活动，比如策划一场婚礼或一次公司团建。
旧方式（单智能体）：
在过去，我们试图通过雇佣一位极其聪明但非常忙碌的助手来完成这项工作。这位助手必须独自完成所有事情：给餐饮商打电话、预订场地、检查天气以及购买鲜花。如果餐饮商说：“我们那个日期已经订满了，”助手就必须停下来，给场地打电话确认那个日期是否空闲，再给花艺师打电话看他们是否有空，然后尝试再次给餐饮商打电话并提供一个新日期。如果助手的某次通话卡住了，整个活动策划就会陷入停滞。他们是在一条直线上工作，一步接一步，如果遇到障碍，他们必须退回到起点重新尝试另一条路径。
新方式（多智能体计算机使用 - MACU）：
本论文提出了一种更聪明的方法：雇佣一名项目经理和一支专业助手团队。
以下是该新系统的工作原理，使用了婚礼策划的类比：
1. 项目经理（“管理者”）
管理者并不直接从事具体工作，其唯一的工作就是观察大局并绘制一张地图（称为有向无环图，或 DAG）。
- 任务拆解： 管理者观察“策划婚礼”这一任务，并将其拆分为更小的部分：“寻找场地”、“预订餐饮”、“选择鲜花”和“发送邀请函”。
- 地图： 管理者绘制一张显示哪些任务可以同时进行的地图。例如，“寻找场地”和“预订餐饮”并不相互依赖，因此它们可以同时进行。
- 大脑： 只有管理者能看到整张地图。如果有新的信息传来（例如：“场地太贵了”），管理者可以立即重绘地图，取消寻找昂贵场地的任务，并派出一名新的助手去寻找更便宜的场地，而无需停止其他助手的进度。
2. 助手团队（“子智能体”）
管理者派出由完全相同的助手（子智能体）组成的团队来执行实际工作。
- 并行力量： 管理者不再等待一个人完成任务，而是同时派出四名助手。一个去查酒店，另一个查航班，第三个查餐厅，第四个查天气。他们并行工作，就像赛车维修队在更换轮胎一样。
- 隔离性： 每个助手都在自己的私有“沙盒”（虚拟计算机）中工作。如果一个助手崩溃或陷入混乱，并不会破坏其他人的工作。他们是相互隔离的，不会受到彼此错误的影响。
3. “动态”地图（重新规划）
这是最重要的部分。在旧系统中，如果你制定了一个计划，即使情况发生变化，你也会固守原计划。
在这个新系统中，地图是活的。
- 反馈循环： 一旦助手完成一项任务（例如：“我找到了一个酒店，但它已经满了”），他们会向管理者汇报。
- 转向： 管理者查看新信息并立即更新地图。也许酒店满了，所以管理者增加了一个“寻找备选酒店”的任务，并派出一名新的助手去执行。如果一个助手陷入了死循环（比如试图点击一个不起作用的按钮），管理者可以命令：“停止那个操作，尝试另一种方法”，并派出一名带着不同策略的新人。
- 记忆过去： 有时，一个助手发现了一个文件或信息，而下一个人正好需要它。管理者充当类似图书管理员的角色，保存该文件并将信息传递给下一个助手，这样他们就不必从头开始。
为什么这更好？
论文在四种不同类型的“计算机任务”上测试了该系统，范围从简单的桌面琐事（如更改字体）到复杂的、为期数天的网络旅行规划。
- 速度： 对于复杂任务，由于采用了并行处理，团队完成任务的速度比单智能体快了约 1.5 倍。
- 成功率： 团队在解决难题方面表现得更好。在最难的旅行规划测试中，单智能体失败率高达 90%，而团队的成功率达到了 34%。这是一个巨大的飞跃。
- 摆脱困境： 当单智能体遇到死胡同时，整个过程就会停止。然而，团队可以派出另一个人去尝试另一扇门。如果一条路径被封死了，另一条路径已经在开放状态。
核心结论
论文认为，对于复杂的、长期的计算机任务，我们不应该依赖于一个试图在线性路径上完成一切的单一“超级机器人”。相反，我们应该使用一名绘制灵活地图的管理者，以及一支能够根据所发现的情况随时停止、启动并改变方向的执行团队。
这就像是一个人在丛林中独自探索，与一支拥有领队、地图以及可以分头行动、覆盖更多区域并能即时适应障碍物的探险队之间的区别。
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。