搶先OpenAI“虛擬員工”！清華復旦斯坦福聯手，讓Agent接管電腦幫你工作

西風 2025-01-15 07:29:26 來源：量子位

Eko團隊 投稿

量子位 | 公眾號 QbitAI

搶先OpenAI的“Operator”，清華、復旦、斯坦福等研究者聯合起來整了個大活～

他們提出了一個名為“Eko”的Agent開發框架，開發者只需用簡潔的代碼和自然語言，就能快速構建可用于生產的“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。

而這個操作，正是之前OpenAI被爆出的“Operator”所能實現的。爆料稱OpenAI將會這個月發布“Operator”，現在直接被截胡了。

更為關鍵的是，研究團隊還把Eko給開源了。

來看看Eko是如何讓工作流程自動化的。

比如自動在雅虎財經上收集納斯達克的最新數據，包括主要股票的價格變化、市值、交易量，分析數據并生成可視化報告：

再例如：

當前登錄頁面自動化測試：

正確的賬戶和密碼是：admin / 666666

請隨機組合用戶名和密碼進行測試，以驗證登錄驗證是否正常工作，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，驗證登錄是否成功

生成測試報告并導出

清理當前目錄下大于1MB的所有文件

這是如何實現的？

開源版“虛擬員工”開發框架

這項演技的核心技術創新有三點：

• 混合智能體表示：提出了“Mixed Agentic representation”，通過無縫結合表達高層次設計的自然語言（Natural Language）與開發者低層次實現的程序語言（Programming Language）。
• 跨平臺Agent框架：提出環境感知架構，實現同一套框架和編程語言，同時支持瀏覽器使用、電腦使用、作為瀏覽器插件使用。
• 生產級干預機制：現有Agent框架普遍強調自治性（Autonomous），即無需人類干預，而Eko框架提供了顯性的生產級干預機制，確保智能體工作流可以隨時被中斷和調整，從而保障人類對生產級智能體工作流的有效監管和治理。

環境感知架構（Environment-Aware Architecture）

主要場景包括：

i）瀏覽器使用：主要專注于通過圖形用戶界面（GUI）來操作網頁和瀏覽器中的元素，常見的實現方式包括截圖和網頁提取技術。

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

Eko的跨平臺開發是通過其環境感知架構（Environment-Aware Architecture）實現的，這一架構由三個關鍵層次構成：通用核心（Universal Core）、環境特定工具（Environment-Specific Tools）和環境橋接（Environment Bridge）。

• 通用核心：這一層提供了與環境無關的基本功能，如工作流管理、工具注冊管理、LLM（大語言模型）集成和鉤子系統。
• 環境特定工具：每種環境（如瀏覽器擴展、Web 環境、Node.js 環境）都提供了優化的工具集。
• 環境橋接：這一層負責環境的檢測、工具注冊、資源管理和安全控制，確保不同平臺之間能夠順利互動和通信。

安全性和訪問控制：Eko針對不同環境實施了適當的安全措施。瀏覽器擴展和Web環境都采用了嚴格的權限控制和API密鑰管理，而Node.js環境則允許更廣泛的系統級訪問，基于用戶權限進行文件操作和命令執行，在需要時會在執行前請求用戶確認。

自動工具注冊：通過 loadTools() 等工具，Eko自動注冊適用于當前環境的工具，這使得開發者可以在多個環境中無縫地切換，并確保工具的正確加載。

層次化規劃（Hierachical planning）

團隊提出層次化感知框架，將任務的拆解分為兩層，包括Planning layer和Execution layer。

其中Planning layer負責將用戶的需求（自然語言或代碼語言表示）和現有工具集拆解成一個有領域特定語言（Domain-specific language）表示的任務圖（Task graph）。

任務圖是一個有向無環圖，描述了子任務之間的依賴關系。該任務圖由LLM一次性合成。在Execution layer中，根據每個任務調用LLM來合成具體的執行行為和工具調用。

多步合并優化：當Eko檢測到兩次執行都是對LLM的調用時，會觸發框架的自動合并機制，將兩次調用的system prompt自動整合，合并成一次調用。從而加快推理速度。

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

視覺-交互要素聯合感知框架（VIEP）是一種新穎的瀏覽器感知解決方案，通過將視覺識別與元素上下文信息結合，顯著提升了在復雜網頁中的任務精度和效率。

它通過提取網頁中的交互元素（如A11y樹），并將其映射到領域特定語言（DSL），生成高效的偽HTML代碼，簡化了元素的表征。

不同于傳統的A11y+Screen shot方案，VIEP在視覺信號方面，引入了Set-of-Mark，確保每個元素的視覺標識符與偽HTML中的標識符一一對應，提升了元素識別的精度。

為了優化性能，截圖分辨率被壓縮至原始的60%，同時畫質壓縮至50%，減少了資源消耗，同時保持了足夠的識別質量。

與傳統的HTML表示相比，VIEP通過簡化交互元素和生成緊湊的偽HTML結構，避免了直接處理龐大HTML內容的開銷。例如，Google首頁的HTML從22萬字符減少至僅1,058個字符，大幅提高了處理速度和準確度。

VIEP不僅優化了性能，降低了成本，還提升了跨環境適應性，確保自動化操作在不同瀏覽器和操作系統中穩定運行。

生產級的可干預機制

在構建AI驅動的自動化系統時，開發者常常需要監控任務的執行情況，隨時調整行為，或在必要時進行干預。

雖然“鉤子”是軟件開發中的常見概念，但在Eko中，它們承擔了獨特的角色——在AI自動化和人工監督之間架起了一座橋梁。

簡單來說，可以在Workflow執行前后插入自己的邏輯，比如驗證輸入、處理結果、甚至重試失敗的任務。

代碼如下：

Eko提供三種不同層級的鉤子，每個層級都具有獨特的作用：

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

子任務鉤子（Subtask Hooks）
這些鉤子位于工作流的中間層，允許你在每個子任務開始前和結束后進行監控和處理。例如，你可以在每個子任務前記錄日志，或在任務完成后對中間結果進行處理。

工具鉤子（Tool Hooks）
這是最細粒度的鉤子，允許你在每個工具執行前后進行驗證和修改。例如，你可以在工具執行前驗證輸入參數，或在工具執行后處理返回結果。

鉤子可以幫助開發者實時優化工作流，提高自動化系統的精度和效率。

例如，在執行某些任務時，開發者可以通過鉤子對輸入數據進行驗證，防止錯誤信息傳入系統；或在任務完成后，處理和轉化結果，以便更好地利用輸出。鉤子還能幫助開發者收集執行數據，進行性能分析，識別瓶頸并優化自動化流程。

除了常規的監控和調試功能，Eko的鉤子系統還支持更創新的使用場景。

例如，在一些關鍵任務執行時，鉤子可以暫停工作流并等待人工審批；在AI決策出現問題時，開發者可以通過鉤子進行人工干預或覆蓋AI的判斷，確保業務流程的順暢。

作者簡介

陸逸文，清華大學博士生，研究興趣為具身智能平臺和智能體。

羅卓偉，FellouAI首席工程專家，目前從事人工智能相關領域工作。

馬驍騰，清華大學自動化系博士后，博士畢業于清華大學。主要研究興趣為強化學習和智能體。

陳家棋，復旦大學碩士生，斯坦福大學訪問學生學者。主要研究領域為計算機視覺和智能體。

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