搶先OpenAI“虛擬員工”！清華復(fù)旦斯坦福聯(lián)手，讓Agent接管電腦幫你工作

西風(fēng) 2025-01-15 07:29:26 來(lái)源：量子位

Eko團(tuán)隊(duì) 投稿

量子位 | 公眾號(hào) QbitAI

搶先OpenAI的“Operator”，清華、復(fù)旦、斯坦福等研究者聯(lián)合起來(lái)整了個(gè)大活～

他們提出了一個(gè)名為“Eko”的Agent開(kāi)發(fā)框架，開(kāi)發(fā)者只需用簡(jiǎn)潔的代碼和自然語(yǔ)言，就能快速構(gòu)建可用于生產(chǎn)的“虛擬員工”：

Agent可以接管用戶的電腦和瀏覽器，代替人類完成各種任務(wù)。

而這個(gè)操作，正是之前OpenAI被爆出的“Operator”所能實(shí)現(xiàn)的。爆料稱OpenAI將會(huì)這個(gè)月發(fā)布“Operator”，現(xiàn)在直接被截胡了。

更為關(guān)鍵的是，研究團(tuán)隊(duì)還把Eko給開(kāi)源了。

來(lái)看看Eko是如何讓工作流程自動(dòng)化的。

比如自動(dòng)在雅虎財(cái)經(jīng)上收集納斯達(dá)克的最新數(shù)據(jù)，包括主要股票的價(jià)格變化、市值、交易量，分析數(shù)據(jù)并生成可視化報(bào)告：

再例如：

當(dāng)前登錄頁(yè)面自動(dòng)化測(cè)試：

正確的賬戶和密碼是：admin / 666666

請(qǐng)隨機(jī)組合用戶名和密碼進(jìn)行測(cè)試，以驗(yàn)證登錄驗(yàn)證是否正常工作，例如：用戶名不能為空、密碼不能為空、用戶名不正確、密碼不正確

最后，嘗試使用正確的賬戶和密碼登錄，驗(yàn)證登錄是否成功

生成測(cè)試報(bào)告并導(dǎo)出

清理當(dāng)前目錄下大于1MB的所有文件

這是如何實(shí)現(xiàn)的？

開(kāi)源版“虛擬員工”開(kāi)發(fā)框架

這項(xiàng)演技的核心技術(shù)創(chuàng)新有三點(diǎn)：

• 混合智能體表示：提出了“Mixed Agentic representation”，通過(guò)無(wú)縫結(jié)合表達(dá)高層次設(shè)計(jì)的自然語(yǔ)言（Natural Language）與開(kāi)發(fā)者低層次實(shí)現(xiàn)的程序語(yǔ)言（Programming Language）。
• 跨平臺(tái)Agent框架：提出環(huán)境感知架構(gòu)，實(shí)現(xiàn)同一套框架和編程語(yǔ)言，同時(shí)支持瀏覽器使用、電腦使用、作為瀏覽器插件使用。
• 生產(chǎn)級(jí)干預(yù)機(jī)制：現(xiàn)有Agent框架普遍強(qiáng)調(diào)自治性（Autonomous），即無(wú)需人類干預(yù)，而Eko框架提供了顯性的生產(chǎn)級(jí)干預(yù)機(jī)制，確保智能體工作流可以隨時(shí)被中斷和調(diào)整，從而保障人類對(duì)生產(chǎn)級(jí)智能體工作流的有效監(jiān)管和治理。

環(huán)境感知架構(gòu)（Environment-Aware Architecture）

主要場(chǎng)景包括：

i）瀏覽器使用：主要專注于通過(guò)圖形用戶界面（GUI）來(lái)操作網(wǎng)頁(yè)和瀏覽器中的元素，常見(jiàn)的實(shí)現(xiàn)方式包括截圖和網(wǎng)頁(yè)提取技術(shù)。

ii）電腦使用：與瀏覽器不同，Node.js 自動(dòng)化則主要面向命令行界面（CLI）操作和文件系統(tǒng)管理，未來(lái)還會(huì)引入GUI感知能力。

Eko的跨平臺(tái)開(kāi)發(fā)是通過(guò)其環(huán)境感知架構(gòu)（Environment-Aware Architecture）實(shí)現(xiàn)的，這一架構(gòu)由三個(gè)關(guān)鍵層次構(gòu)成：通用核心（Universal Core）、環(huán)境特定工具（Environment-Specific Tools）和環(huán)境橋接（Environment Bridge）。

• 通用核心：這一層提供了與環(huán)境無(wú)關(guān)的基本功能，如工作流管理、工具注冊(cè)管理、LLM（大語(yǔ)言模型）集成和鉤子系統(tǒng)。
• 環(huán)境特定工具：每種環(huán)境（如瀏覽器擴(kuò)展、Web 環(huán)境、Node.js 環(huán)境）都提供了優(yōu)化的工具集。
• 環(huán)境橋接：這一層負(fù)責(zé)環(huán)境的檢測(cè)、工具注冊(cè)、資源管理和安全控制，確保不同平臺(tái)之間能夠順利互動(dòng)和通信。

安全性和訪問(wèn)控制：Eko針對(duì)不同環(huán)境實(shí)施了適當(dāng)?shù)陌踩胧g覽器擴(kuò)展和Web環(huán)境都采用了嚴(yán)格的權(quán)限控制和API密鑰管理，而Node.js環(huán)境則允許更廣泛的系統(tǒng)級(jí)訪問(wèn)，基于用戶權(quán)限進(jìn)行文件操作和命令執(zhí)行，在需要時(shí)會(huì)在執(zhí)行前請(qǐng)求用戶確認(rèn)。

自動(dòng)工具注冊(cè)：通過(guò) loadTools() 等工具，Eko自動(dòng)注冊(cè)適用于當(dāng)前環(huán)境的工具，這使得開(kāi)發(fā)者可以在多個(gè)環(huán)境中無(wú)縫地切換，并確保工具的正確加載。

層次化規(guī)劃（Hierachical planning）

團(tuán)隊(duì)提出層次化感知框架，將任務(wù)的拆解分為兩層，包括Planning layer和Execution layer。

其中Planning layer負(fù)責(zé)將用戶的需求（自然語(yǔ)言或代碼語(yǔ)言表示）和現(xiàn)有工具集拆解成一個(gè)有領(lǐng)域特定語(yǔ)言（Domain-specific language）表示的任務(wù)圖（Task graph）。

任務(wù)圖是一個(gè)有向無(wú)環(huán)圖，描述了子任務(wù)之間的依賴關(guān)系。該任務(wù)圖由LLM一次性合成。在Execution layer中，根據(jù)每個(gè)任務(wù)調(diào)用LLM來(lái)合成具體的執(zhí)行行為和工具調(diào)用。

多步合并優(yōu)化：當(dāng)Eko檢測(cè)到兩次執(zhí)行都是對(duì)LLM的調(diào)用時(shí)，會(huì)觸發(fā)框架的自動(dòng)合并機(jī)制，將兩次調(diào)用的system prompt自動(dòng)整合，合并成一次調(diào)用。從而加快推理速度。

視覺(jué)-交互要素聯(lián)合感知（Visual-Interactive Element Perception）

視覺(jué)-交互要素聯(lián)合感知框架（VIEP）是一種新穎的瀏覽器感知解決方案，通過(guò)將視覺(jué)識(shí)別與元素上下文信息結(jié)合，顯著提升了在復(fù)雜網(wǎng)頁(yè)中的任務(wù)精度和效率。

它通過(guò)提取網(wǎng)頁(yè)中的交互元素（如A11y樹(shù)），并將其映射到領(lǐng)域特定語(yǔ)言（DSL），生成高效的偽HTML代碼，簡(jiǎn)化了元素的表征。

不同于傳統(tǒng)的A11y+Screen shot方案，VIEP在視覺(jué)信號(hào)方面，引入了Set-of-Mark，確保每個(gè)元素的視覺(jué)標(biāo)識(shí)符與偽HTML中的標(biāo)識(shí)符一一對(duì)應(yīng)，提升了元素識(shí)別的精度。

為了優(yōu)化性能，截圖分辨率被壓縮至原始的60%，同時(shí)畫質(zhì)壓縮至50%，減少了資源消耗，同時(shí)保持了足夠的識(shí)別質(zhì)量。

與傳統(tǒng)的HTML表示相比，VIEP通過(guò)簡(jiǎn)化交互元素和生成緊湊的偽HTML結(jié)構(gòu)，避免了直接處理龐大HTML內(nèi)容的開(kāi)銷。例如，Google首頁(yè)的HTML從22萬(wàn)字符減少至僅1,058個(gè)字符，大幅提高了處理速度和準(zhǔn)確度。

VIEP不僅優(yōu)化了性能，降低了成本，還提升了跨環(huán)境適應(yīng)性，確保自動(dòng)化操作在不同瀏覽器和操作系統(tǒng)中穩(wěn)定運(yùn)行。

生產(chǎn)級(jí)的可干預(yù)機(jī)制

在構(gòu)建AI驅(qū)動(dòng)的自動(dòng)化系統(tǒng)時(shí)，開(kāi)發(fā)者常常需要監(jiān)控任務(wù)的執(zhí)行情況，隨時(shí)調(diào)整行為，或在必要時(shí)進(jìn)行干預(yù)。

雖然“鉤子”是軟件開(kāi)發(fā)中的常見(jiàn)概念，但在Eko中，它們承擔(dān)了獨(dú)特的角色——在AI自動(dòng)化和人工監(jiān)督之間架起了一座橋梁。

簡(jiǎn)單來(lái)說(shuō)，可以在Workflow執(zhí)行前后插入自己的邏輯，比如驗(yàn)證輸入、處理結(jié)果、甚至重試失敗的任務(wù)。

代碼如下：

Eko提供三種不同層級(jí)的鉤子，每個(gè)層級(jí)都具有獨(dú)特的作用：

工作流鉤子（Workflow Hooks）
這些鉤子位于工作流的最上層，用于整體控制和監(jiān)控自動(dòng)化流程的啟動(dòng)和結(jié)束。例如，你可以在工作流開(kāi)始之前進(jìn)行資源初始化，或在工作流結(jié)束后進(jìn)行清理和處理最終結(jié)果。

子任務(wù)鉤子（Subtask Hooks）
這些鉤子位于工作流的中間層，允許你在每個(gè)子任務(wù)開(kāi)始前和結(jié)束后進(jìn)行監(jiān)控和處理。例如，你可以在每個(gè)子任務(wù)前記錄日志，或在任務(wù)完成后對(duì)中間結(jié)果進(jìn)行處理。

工具鉤子（Tool Hooks）
這是最細(xì)粒度的鉤子，允許你在每個(gè)工具執(zhí)行前后進(jìn)行驗(yàn)證和修改。例如，你可以在工具執(zhí)行前驗(yàn)證輸入?yún)?shù)，或在工具執(zhí)行后處理返回結(jié)果。

鉤子可以幫助開(kāi)發(fā)者實(shí)時(shí)優(yōu)化工作流，提高自動(dòng)化系統(tǒng)的精度和效率。

例如，在執(zhí)行某些任務(wù)時(shí)，開(kāi)發(fā)者可以通過(guò)鉤子對(duì)輸入數(shù)據(jù)進(jìn)行驗(yàn)證，防止錯(cuò)誤信息傳入系統(tǒng)；或在任務(wù)完成后，處理和轉(zhuǎn)化結(jié)果，以便更好地利用輸出。鉤子還能幫助開(kāi)發(fā)者收集執(zhí)行數(shù)據(jù)，進(jìn)行性能分析，識(shí)別瓶頸并優(yōu)化自動(dòng)化流程。

除了常規(guī)的監(jiān)控和調(diào)試功能，Eko的鉤子系統(tǒng)還支持更創(chuàng)新的使用場(chǎng)景。

例如，在一些關(guān)鍵任務(wù)執(zhí)行時(shí)，鉤子可以暫停工作流并等待人工審批；在AI決策出現(xiàn)問(wèn)題時(shí)，開(kāi)發(fā)者可以通過(guò)鉤子進(jìn)行人工干預(yù)或覆蓋AI的判斷，確保業(yè)務(wù)流程的順暢。

作者簡(jiǎn)介

陸逸文，清華大學(xué)博士生，研究興趣為具身智能平臺(tái)和智能體。

羅卓偉，F(xiàn)ellouAI首席工程專家，目前從事人工智能相關(guān)領(lǐng)域工作。

馬驍騰，清華大學(xué)自動(dòng)化系博士后，博士畢業(yè)于清華大學(xué)。主要研究興趣為強(qiáng)化學(xué)習(xí)和智能體。

陳家棋，復(fù)旦大學(xué)碩士生，斯坦福大學(xué)訪問(wèn)學(xué)生學(xué)者。主要研究領(lǐng)域?yàn)橛?jì)算機(jī)視覺(jué)和智能體。

Homepage：https://eko.fellou.ai/
Github link：https://github.com/FellouAI/eko
Docs：https://eko.fellou.ai/docs/