速途網(wǎng)3月29日消息（報(bào)道：李楠）近日，昆侖萬維2050全球研究院、新加坡南洋理工大學(xué)、蘇黎世聯(lián)邦理工學(xué)院研究團(tuán)隊(duì)聯(lián)手開源了數(shù)字智能體全流程研發(fā)工具包AgentStudio，旨在為研究人員和開發(fā)者提供一個(gè)覆蓋智能體完整開發(fā)流程的綜合性平臺(tái)，讓開發(fā)者們能夠輕松、高效、靈活地構(gòu)建專屬數(shù)字智能體。
AgentStudio所提供的工具涵蓋數(shù)字智能體開發(fā)的全部流程，包括智能體觀察與動(dòng)作空間、跨平臺(tái)的在線環(huán)境支持、交互式數(shù)據(jù)收集與評(píng)估、可擴(kuò)展的任務(wù)套件、以及相應(yīng)的圖形界面。此外，研究團(tuán)隊(duì)還評(píng)估了多個(gè)多模態(tài)大模型完成數(shù)字世界任務(wù)的能力。
AgentStudio是一個(gè)完全免費(fèi)的開源項(xiàng)目，項(xiàng)目團(tuán)隊(duì)希望通過這一開源努力，與人工智能社區(qū)攜手加速智能體技術(shù)發(fā)展，促進(jìn)前沿知識(shí)共享與合作。目前，AgentStudio相關(guān)論文、代碼、數(shù)據(jù)、文檔已全部公開。
論文標(biāo)題：AgentStudio: A Toolkit for Building General Virtual Agents
論文鏈接：https://arxiv.org/abs/2403.17918
項(xiàng)目主頁與文檔：https://skyworkai.github.io/agent-studio/
開源代碼：https://github.com/SkyworkAI/agent-studio
Leaderboard：https://huggingface.co/spaces/Skywork/agent-studio-leaderboard
（AgentStudio論文截圖）
智能體：大模型產(chǎn)業(yè)最前沿
近來，隨著大模型技術(shù)在自然語言理解、工程能力、數(shù)據(jù)能力、存儲(chǔ)能力等領(lǐng)域的突破，大量以大模型技術(shù)驅(qū)動(dòng)的智能體（Agents）不斷涌現(xiàn)，在通用性、實(shí)用性、可落地性等方面都表現(xiàn)卓越。
不同于傳統(tǒng)軟件程序，基于大模型能力打造的AI智能體具備感知環(huán)境、進(jìn)行決策、執(zhí)行動(dòng)作等能力，并能夠通過獨(dú)立思考、調(diào)用工具去逐步完成給定目標(biāo)，成為當(dāng)前全球AI大模型領(lǐng)域的關(guān)注最前沿。此前，昆侖萬維已經(jīng)推出“天工SkyAgents”AI Agents開發(fā)平臺(tái)，用戶可以通過自然語言和簡單操作，無需代碼編程，即可在幾分鐘之內(nèi)部署屬于自己的AI Agents。
現(xiàn)如今，在大模型的助力下，數(shù)字智能體（virtual agents）可以通過操控手機(jī)電腦上的軟件幫助人們完成許多日常工作，提高工作效率。
然而，當(dāng)前數(shù)字智能體的進(jìn)展很大程度上受到了基準(zhǔn)環(huán)境和數(shù)據(jù)來源的限制，他們大都僅在簡單、受限的場景下評(píng)估與演示，從而掩蓋了面臨的挑戰(zhàn)，離真正落地需要的可用性與可靠性仍有較大距離，然而缺乏全面、真實(shí)的收集數(shù)據(jù)環(huán)境又阻礙了這些智能體能力的進(jìn)一步提升。
AgentStudio工具包的開發(fā)，正是基于當(dāng)前人工智能領(lǐng)域?qū)Ω咝?、可擴(kuò)展智能體開發(fā)工具的迫切需求。該工具包不僅包括了智能體觀察與動(dòng)作空間的定義工具，還提供了跨平臺(tái)的在線環(huán)境支持，使得開發(fā)者可以在不同的平臺(tái)和設(shè)備上進(jìn)行智能體的開發(fā)與測試。此外，AgentStudio還支持交互式數(shù)據(jù)收集與評(píng)估，以及可擴(kuò)展的任務(wù)套件，極大地增強(qiáng)了其實(shí)用性和靈活性。
AgentStudio：靈活、通用、可擴(kuò)展
(AgentStudio架構(gòu)及環(huán)境介紹。AgentStudio是一個(gè)支持與真實(shí)世界計(jì)算機(jī)在線交互的平臺(tái)。與現(xiàn)有環(huán)境相比，它具有最通用的智能體觀察和動(dòng)作空間，同時(shí)提供了對(duì)工具制造與使用、收集人類反饋與數(shù)據(jù)集等功能的支持。)
目前，全球有多種數(shù)字智能體開發(fā)工具包，支持不同的開發(fā)環(huán)境和應(yīng)用領(lǐng)域。與現(xiàn)有工具相比，AgentStudio的主要優(yōu)勢在于：
目前，全球有多種數(shù)字智能體開發(fā)工具包，支持不同的開發(fā)環(huán)境和應(yīng)用領(lǐng)域。與現(xiàn)有工具相比，AgentStudio的主要優(yōu)勢在于：
- 可復(fù)現(xiàn)、多模態(tài)、跨平臺(tái)的在線環(huán)境：AgentStudio支持通過Docker、VNC、FastAPI以及虛擬機(jī)等方式便捷地連接包括Windows、MacOS、Linux等各種操作系統(tǒng)與設(shè)備，相比現(xiàn)有環(huán)境更加注重真實(shí)落地場景。
- 統(tǒng)一的標(biāo)準(zhǔn)化的輸入輸出：為了支持智能體和盡可能多地各種軟件進(jìn)行交互，AgentStudio采用了最為通用的輸入輸出方式，既支持像人一樣通過觀察電腦屏幕的圖像作為輸入，操作鍵盤鼠標(biāo)和命令行作為輸出，也支持進(jìn)行函數(shù)調(diào)用和使用API，達(dá)到通用計(jì)算機(jī)控制。
- 全面、可擴(kuò)展、可組合的任務(wù)集：AgentStudio包含了在十余個(gè)應(yīng)用上用于全面評(píng)估AI智能體完成指令的能力，全方位覆蓋各種應(yīng)用軟件，如文檔操作、郵件處理、日歷使用、音樂播放、視頻編輯器、代碼編輯器等，涵蓋復(fù)雜真實(shí)應(yīng)用場景，同時(shí)包含了范圍從單個(gè)底層操作到跨任務(wù)的組合性任務(wù)的不同難度的多級(jí)任務(wù)。AgentStudio基于該任務(wù)集，公開了相應(yīng)的leaderboard。
- 完整的智能體數(shù)據(jù)收集與評(píng)估代碼：AgentStudio的功能不僅包含了對(duì)智能體能力的評(píng)估，而且包含了完整開源的數(shù)據(jù)集收集代碼，可用于人工標(biāo)注數(shù)據(jù)集，也可用于智能體自行收集經(jīng)驗(yàn)。
- 關(guān)注工具創(chuàng)造與使用：在開放域中的工具創(chuàng)造與使用是AI智能體的核心能力之一。以電腦為例，AgentStudio為智能體提供了最通用的三類工具：鍵盤、鼠標(biāo)、與命令行，同時(shí)支持智能體進(jìn)一步在交互過程中自行創(chuàng)造并復(fù)用新的工具，如用于創(chuàng)建、修改日歷的工具集，實(shí)現(xiàn)智能體的不斷自我提升。
- 交互式可視化界面:?AgentStudio提供用戶友好的輕量化GUI界面，幫助用戶方便快捷地一鍵自動(dòng)化創(chuàng)建任務(wù)并搜集數(shù)據(jù)。以下流程圖將直觀呈現(xiàn)使用AgentStudio創(chuàng)建任務(wù)并收集數(shù)據(jù)的過程。通過AgentStudio提供的用戶友好的界面，用戶可以實(shí)現(xiàn)跨平臺(tái)的人工演示的錄制，包括輸入任務(wù)指令、通過交互界面得到坐標(biāo)、編輯和運(yùn)行代碼、記錄智能體軌跡等一系列功能，這些大幅簡化了大規(guī)模數(shù)據(jù)收集的難度，為下一代智能體數(shù)據(jù)規(guī)模化提供了基礎(chǔ)。
使用AgentStudio創(chuàng)建任務(wù)并收集數(shù)據(jù)以及與環(huán)境交互的過程
多維度全面評(píng)估
除了搭建工具包外，研究團(tuán)隊(duì)還評(píng)估了多個(gè)多模態(tài)大模型完成數(shù)字世界任務(wù)的能力。為了全面評(píng)估智能體的能力，AgentStudio的結(jié)果從多個(gè)維度入手：
- 圖形界面grounding數(shù)據(jù)集：任務(wù)僅包含單步動(dòng)作，指令為不需要規(guī)劃的底層操作，主要關(guān)注智能體和圖形界面交互的能力；
- 日常任務(wù)與組合性任務(wù)集：任務(wù)完成調(diào)用復(fù)雜API，或需要多步動(dòng)作、并常常需要跨軟件交互。該任務(wù)集用于衡量智能體完成日常任務(wù)、以及進(jìn)行復(fù)雜動(dòng)作規(guī)劃的能力。
AgentStudio的評(píng)測結(jié)果還進(jìn)一步分析了現(xiàn)有多模態(tài)模型在圖形界面grounding數(shù)據(jù)集表現(xiàn)不佳的可能原因和相應(yīng)的改進(jìn)方法，并衡量了模型自我評(píng)估的能力，這些都對(duì)智能體的自我提升和真實(shí)落地至關(guān)重要。根據(jù)評(píng)測結(jié)果，研究團(tuán)隊(duì)在論文中還討論了若干有前景的研究方向，包括更通用的圖形界面grounding模型和算法、從視頻演示中學(xué)習(xí)等。
智能體全流程解決方案
從環(huán)境到智能體，從數(shù)據(jù)到評(píng)估，AgentStudio提供了一套完整的解決方案覆蓋了構(gòu)建智能體的全過程，將極大地加速了智能體的發(fā)展。AgentStudio的建立在研究團(tuán)隊(duì)對(duì)智能體、工具調(diào)用、代碼解釋器的深入理解與積累之上。
目前，研究人員已經(jīng)開源了所有結(jié)果，包括環(huán)境的實(shí)現(xiàn)、智能體數(shù)據(jù)集、算法實(shí)現(xiàn)等，希望幫助人工智能社區(qū)搭建更多能夠完成復(fù)雜任務(wù)的AI智能體。歡迎感興趣的研究與開發(fā)者們下載使用，并關(guān)注AgentStudio團(tuán)隊(duì)其他相關(guān)項(xiàng)目。
AgentStudio團(tuán)隊(duì)其他相關(guān)工作：
Synapse：https://ltzheng.github.io/Synapse
Cradle：https://baai-agents.github.io/Cradle/
FinAgent：https://arxiv.org/abs/2402.18485
