Huggingface paper 论文综述面向初学者的 AI 论文中文详细综述
← 返回列表

论文综述：CoworkOS，为真实世界自动化扩展智能体同事

CoworkOS: Scaling Agent Coworkers for Real-world Automation

原文作者Jiajie Jin, Guanting Dong, Chengjun Pan, Xin Deng, Zhuohui Sheng, Guoqiang Wang, Tao Gui, Yutao Zhu, Yujia Chen, Shihong Yi, Binze Hu, Zhixiong Yang, Zhichao Sun, Rui Wang, Han Han, Mingyu Ma, Junhao Huang, Xiaotao Wang, Huicheng Jiang, Yuyang Hu, Xinyu Yang, Wanghan Xu, Yajie Yang, Zhecan Wang, Honglin Guo, Xiaoyu Xing, Xiaoqian Zhang, Yulun Zhu, Xiaoxi Li, Jiahang Lin, Shaofan Liu, Shihan Dou, Zhiheng Xi, Qi Zhang, Yu-Gang Jiang, See-Kiong Ng, Yang Zhang, Tat-Seng Chua, Ji-Rong Wen, Zhicheng Dou机构Renmin University of China, Fudan University, Peking University, Shanghai Jiao Tong University, National University of Singapore, East China Normal University论文发布2026-11-02综述日期2026-11-06HF 票数🔺 101
agent harnesscowork agentmulti-agentlong-horizonhuman-in-the-looprecursive self-improvementpost-training
📄 查看原文 →

一、论文是干什么的？

现在的 AI 智能体已经不只是回答问题，而是能写网页、做 PPT、建 CAD 模型、渲染 Blender 场景。但真实的办公工作有两个难点：一是任务本身很复杂，要反复推理、调用工具、自己检查；二是工作时间很长，比如盯着一次要跑好几天的训练、跨好几次对话推进一个项目，中途还会被打断。论文把这两点叫作「任务复杂度」和「时间跨度」。

论文提出的 CoworkOS 是一个开源的「智能体运行框架」（harness，可以理解为给大模型配的一整套办公室：工位、同事、文件柜、备忘录和值班表）。它想回答的问题是：一个 AI 同事能不能既把复杂活干好，又能长期盯着事情，还让人随时插手修改同一份成果？论文还用它做了一个长期案例：让它自动给 Qwen3.6-35B-A3B 做五轮后训练，八个基准的平均分从 33.19 升到 42.95。

需要说明：这是一份技术报告式的论文，署名为 CoworkOS Team，所有结果都是作者自己的报告，没有独立复现。

二、核心方法与创新

可以把 CoworkOS 想成一家小公司，设计思路是「模型管策略，运行时管执行」：

1. 三层结构（类比：项目经理、调度员、外包员工）

  • Main Agent（主智能体）：对用户负责的项目经理。它理解需求、拆任务、自己动手或委派，并验收最终成果。它的决策可写成 atM∼πM(⋅∣g,htM,Ft)a^M_t \sim \pi^M(\cdot \mid g, h^M_t, F_t)（论文式 3），其中 gg 是目标，htMh^M_t 是历史，FtF_t 是新反馈。
  • Coordinator Runtime（协调运行时）：调度员。它给每次委派分配稳定编号，维护队列、租约和确认，让消息即使在中断后也不丢。状态更新写作 ξk+1=FC(ξk,ek+1)\xi_{k+1}=F_C(\xi_k,e_{k+1})（式 5）。
  • Subagents（子智能体）：只拿到被授权的上下文和工具，独立完成一块任务，最后交回报告、成果引用和状态，而不是把整条思考轨迹都塞给 Main。委派可以同步（等结果）或异步（先返回编号，结果以后进收件箱）。

2. 人和 AI 共同编辑同一份成果（类比：共享在线文档）

平台把文档、幻灯片、参数化 CAD、Blender 工程都当作带版本号的资源 r=(ι,κ,x,v)r=(\iota,\kappa,x,v)。任何人或智能体提交修改，都要带上自己看到的基准版本 v^\hat v：基准版本等于当前版本就接受并让版本加一，否则返回冲突，不会悄悄覆盖别人的改动（式 7）。这样人直接在成果上改一下，本身就是对 AI 的一种指导。另外，非原生软件可以通过 MCP 接入。

3. 工作区与语义记忆（类比：文件柜加交接笔记）

  • 分层工作区：Main、各子智能体、每次运行各有自己的目录，成果经 Main 审核后才发布。
  • 任务记忆：Main 维护一份记忆文档，写清目标、已完成、下一步和约束；上下文要重置时，按式 10 用记忆、运行状态和近期历史重新拼出上下文。
  • Jobs：长时间任务（训练、构建）作为后台作业保留状态和日志；监控脚本用确定性程序对比基线，没变化就不调用模型，节省成本。

4. 实验账本与 RSI 后训练

Task 级账本记录实验目标、候选方案和指标，并区分「从运行产生的指标文件读到的数」和「只出现在叙述报告里的数」。RSI（递归自我改进）案例的循环是：评测当前模型，诊断能力缺口并修改数据管线，生成、验证、过滤数据，做 SFT，再评测。

三、使用了哪些模型和计算资源？

项目论文披露的内容
基准评测的骨干模型GLM-5.3，High thinking effort，256K token 上下文，单次回复最长 64K token。对比的 OpenHands、Codex、DeepSeek Harness 也在同一模型与任务配置下运行
RSI 案例GLM-5.3 主要当控制器和数据教师；被训练与评测的模型是 Qwen3.6-35B-A3B
训练方式SFT。R0 用 1,345 条工具交互轨迹；每轮训练步数分别为 66、69、10、24、22、20 步，R3 起每轮 4 个 epoch，新数据重复 24 倍
数据去重BM25 任务相似度过滤，阈值 0.8
评测算力（已披露部分）MLE-Bench-Lite 每任务 4 CPU、32 GiB 内存、1 块 H200 GPU、5 小时智能体预算；MLS-Bench 同样 5 小时预算，按任务分配 H200（多 GPU 任务 64 GiB 内存）；WorkspaceBench-Lite 每任务 2 CPU、8 GiB、两小时上限；JobBench 单任务超时 7200 秒；tau3 Banking 外层单任务限时 2400 秒
训练所用 GPU 型号与数量、训练总耗时、每轮耗时、API 调用量与费用论文未披露。论文还特别说明，轮次序号不代表实际耗时

四、实验结果

12 个基准分四类，下表为论文表 1（数字已用 PDF 核对）。分数越高越好；GDPVal 为 Elo，也是越高越好。

类别基准OpenHandsCodexDeepSeek HarnessCoworkOS
工具使用SkillsBench63.3053.4856.7564.34
工具使用tau3-Bench Banking40.2046.3955.6749.48
工具使用AutomationBench50.5030.3353.5051.83
工具使用平均51.3343.4055.3155.22
生产力JobBench55.0223.4256.1559.88
生产力Harvey Legal Agent Bench23.7512.7022.3022.74
生产力GDPVal（Elo）112292511571164
生产力OfficeQA Pro66.2066.3062.3065.90
生产力WorkspaceBench-Lite64.5458.8168.7667.14
生产力平均55.2740.1156.1357.54
搜索WideSearch81.4382.0572.4882.47
搜索BrowseComp83.0075.5080.8081.80
搜索平均82.2278.7876.6482.14
ML 编程MLE-Bench-Lite60.4067.2876.7076.90
ML 编程MLS-Bench28.9129.0535.5735.62
ML 编程平均44.6648.1756.1456.26

大白话解读：CoworkOS 在生产力和 ML 编程两类的平均分最高，在工具使用和搜索上与第一名只差零点几分，所以更准确的说法是「和强基线相当、部分更好」，不是全面碾压。例如 tau3 Banking 它输给 DeepSeek Harness（49.48 对 55.67），OfficeQA Pro 和 BrowseComp 也不是第一。各基准差距多为一到几分，论文未给出多次运行的方差或置信区间，小差距需要谨慎看待。

RSI 后训练（Qwen3.6-35B-A3B，论文表 2，均为 0 到 100 分）：

基准R0R5变化
AutomationBench11.0044.15+33.15
BFCL v463.4870.83+7.35
OfficeQA55.6462.11+6.47
tau3 Banking14.4322.68+8.25
Harvey LAB3.3311.08+7.75
SkillsBench20.8535.76+14.91
GDPVal（评分规则得分）74.1176.45+2.34
JobBench22.6620.53-2.13
八项平均33.1942.95+9.76

各轮平均分依次为 33.19、36.94、35.90、39.22、40.71、42.95，并非单调上升：R2 掉了一点，论文复盘发现 42 条长轨迹占了 84.2% 的监督 token，于是 R3 扩大数据覆盖。八项里七项高于起点，JobBench 反而下降。需要注意：每轮同时改了数据配方、起点检查点和训练策略，论文自己说明这些是并发干预，不是孤立的因果效应；提升最大的 AutomationBench 在 R3 的训练轨迹里占 78.3%，提示很大一部分收益可能来自针对性补数据，而不一定是跨任务泛化（论文自己则把七项超过基线解读为跨任务泛化的正面证据，该推断未经消融验证）。

定性案例：论文展示了 24 个应用案例（网页、游戏、Office 幻灯片、交互可视化、CAD、Blender），与 Codex 和 DSH 作截图对比。这些是作者挑选的观察，论文自己也强调不能据此推出成功率排名或模型正确性。

五、潜在应用与已落地应用

潜在方向：个人或团队的长期办公助理（写文档、做 PPT、建 CAD 和 Blender 模型，人随时直接改）；需要长期盯梢的任务（监控训练、跟踪外部信息）；智能体驱动的模型研发流程。

已核实的发布情况（2026-11-06 通过 GitHub API 查询）：

  • 代码已开源：RUC-NLPIR/CoworkOS，MIT 许可，仓库创建于 2026-11-03，最近提交 2026-11-03，已有 v0.1.3 发布，HF 页面显示约 131 个星标。
  • 可通过 npm 包 coworkos-app 安装，README 写明提供 macOS 桌面版（Apple Silicon，macOS 14 以上）和命令行版；初始化时需要自己填写模型服务地址、模型 ID 和 API Key。npm 页面受 Cloudflare 验证拦截，无法读取，以上来自 GitHub README。
  • 项目主页和在线展示页存在（主页已读取，展示页只确认了链接来自论文与 README）。
  • HF 论文页没有关联的模型、数据集或 Space。RSI 后训练得到的模型权重和训练数据，我没有找到公开发布；仓库里有一个 issue 在询问如何复现 RSI 后训练流程，说明至少当时尚未提供现成的复现流程，具体答复我没有核对。

六、网络上的讨论与评价

论文刚发布几天，讨论很少。查到的来源如下：

  • HF 论文页：共 4 条评论。作者 dongguanting 发了项目介绍帖（三层协作、应用生态、记忆等）；用户 orinmemory 称赞实验账本区分指标来源，并追问该区分在 GLM-5.3 控制器决策中实际起了多少作用、R1 和 R2 发生了什么、BM25 过滤删掉了多少生成数据（页面上我没有看到作者回复）；用户 MLSystemsRI 评论共享成果让人类参与更有效，并希望看到模型的验收决策；还有 Librarian Bot 自动推荐相似论文。
  • GitHub 仓库的三条 issue 和一个 PR：包括 Papers with Code 评测验证请求、Windows 启动修复的 PR、macOS 26 上安装 CAD 组件失败和上文的 RSI 复现请求。这些反映的是早期用户的安装与复现问题，仅读了标题。
  • Hacker News：用 Algolia 搜索接口按 CoworkOS 和 arXiv 编号查询，只返回无关帖子，未发现相关讨论。
  • Reddit：搜索接口返回网络策略拦截，无法读取，也未进一步绕过。
  • Pith 评审页：由 AI 评审员（页面注明为 deepseek-v4-flash，2026-11-03 读论文）生成的评审，不是人类专家意见，页面上评论数为 0。它的总评大意是：这是一篇货真价实的系统论文，评测也算诚实，但头条的 RSI 提升还不能完全归因于 harness 循环本身；页面列出 3 条主要质疑和 5 条次要质疑。
  • Paperium 摘要页：AI 生成的论文解读，整体语气偏正面，复述架构（Main Agent、Coordinator Runtime、可选 Subagents）和实验结论，没有独立实验或批评。
  • 通用网页搜索：未找到其他相关博客、知乎、公众号或 X/Twitter 讨论；搜索结果只指向名字相近的无关项目。

整体来看，目前只能说社区关注主要停留在 HF 点赞（101 票）和 GitHub 星标，除上述两个 AI 生成的聚合页外，尚无独立的人类评测或批评文章。

七、思维导图

mindmap
  root((CoworkOS 长时程人机协作框架))
    研究背景与问题
      两大需求
        复杂生产力任务 任务复杂度
        持续监控与决策 时间跨度
      任务形式化 T=(g,E,A,V,B) 与状态转移式2
    三层运行时架构
      Main Agent 主智能体
        策略 π_M(a|g,h,F) 式3
        同步与异步委派 收件箱
      Coordinator Runtime
        持久状态 ξ_k+1=F_C(ξ_k,e_k+1) 式5
      Subagents 子智能体
        证据契约 返回报告 成果引用 状态
    应用生态与状态管理
      资源协议 r=(ι,κ,x,v)
        Commit 基准版本匹配则 v+1 否则冲突 式7
        原生应用 文档 PPT CAD Blender
      持久工作区与记忆
        Jobs 后台作业与日志
        任务记忆 上下文重建 式10
        实验账本区分指标来源
    实验与基准结果
      12 基准 4 大类
        SkillsBench 64.34 JobBench 59.88
        WideSearch 82.47 MLE-Bench-Lite 76.90
      对比基线 OpenHands Codex DeepSeek Harness 骨干 GLM-5.3
    RSI 自动后训练
      设置
        Qwen3.6-35B-A3B 为被训模型
        R0 种子 SFT 1345 条轨迹
        BM25 去重阈值 0.8
      五轮迭代
        八基准平均 33.19 到 42.95
        AutomationBench 11.00 到 44.15
        R2 回落 42 条轨迹占 84.2% 监督 token
      局限
        JobBench 下降 2.13
        GPU 与耗时论文未披露