一句話讓Agent自主干活，清華復(fù)旦斯坦福等開源的智能體開發(fā)框架搶先了OpenAI
近期，OpenAI CEO Sam Altman 宣布，2025 年將推出名為 “Operator” 的虛擬員工計劃，AI 代理將能夠自主執(zhí)行任務(wù)，如寫代碼、預(yù)訂旅行等，成為企業(yè)中的 “數(shù)字同事”。
在 OpenAI 發(fā)布 “Operator” 之前，清華、復(fù)旦和斯坦福的研究者聯(lián)合提出了名為 “Eko” 的 Agent 開發(fā)框架，旨在讓開發(fā)者通過簡潔的代碼和自然語言，快速構(gòu)建可用于生產(chǎn)的 “虛擬員工”。這種框架使得 AI 代理能夠接管用戶的電腦和瀏覽器，代替人類完成各種任務(wù)，為工作流程提供自動化支持。
- 論文標題: Eko: Build Production-ready Agentic Workflow with Natural Language
- 項目主頁: https://eko.fellou.ai
- 項目地址：https://github.com/FellouAI/eko
- Docs：https://eko.fellou.ai/docs
核心技術(shù)創(chuàng)新：
1. 混合智能體表示：提出了 “Mixed Agentic representation”，通過無縫結(jié)合表達高層次設(shè)計的自然語言（Natural Language）與開發(fā)者低層次實現(xiàn)的程序語言（Programming Language）。
2. 跨平臺 Agent 框架：提出環(huán)境感知架構(gòu)，實現(xiàn)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。
3. 生產(chǎn)級干預(yù)機制：現(xiàn)有 Agent 框架普遍強調(diào)自治性（Autonomous），即無需人類干預(yù)，而 Eko 框架提供了顯性的生產(chǎn)級干預(yù)機制，確保智能體工作流可以隨時被中斷和調(diào)整，從而保障人類對生產(chǎn)級智能體工作流的有效監(jiān)管和治理。
Eko：革新生產(chǎn)級智能體開發(fā)的框架
讓我們用實際的例子來感受一下這個 Agent 框架的開發(fā)難度：只需要一句話，就可以讓 Eko 生成一個全 Agent 幫你做股票分析。這不就是妥妥的生產(chǎn)力工具嗎！真是解放雙手！
“在雅虎財經(jīng)上收集納斯達克的最新數(shù)據(jù)，包括主要股票的價格變化、市值、交易量，分析數(shù)據(jù)并生成可視化報告?！?/span>
“ 當前登錄頁面自動化測試：
1. 正確的賬戶和密碼是：admin / 666666
2. 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
3. 最后，嘗試使用正確的賬戶和密碼登錄，驗證登錄是否成功
4. 生成測試報告并導(dǎo)出”
清理當前目錄下大于 1MB 的所有文件
環(huán)境感知架構(gòu)（Environment-Aware Architecture）
主要場景
i）瀏覽器使用：主要專注于通過圖形用戶界面（GUI）來操作網(wǎng)頁和瀏覽器中的元素，常見的實現(xiàn)方式包括截圖和網(wǎng)頁提取技術(shù)。
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(tǒng)管理，未來還會引入 GUI 感知能力。
架構(gòu)介紹
Eko 的跨平臺開發(fā)是通過其 環(huán)境感知架構(gòu)（Environment-Aware Architecture）實現(xiàn)的，這一架構(gòu)由三個關(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）。
1. 通用核心：這一層提供了與環(huán)境無關(guān)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(tǒng)。
2. 環(huán)境特定工具：每種環(huán)境（如瀏覽器擴展、Web 環(huán)境、Node.js 環(huán)境）都提供了優(yōu)化的工具集。
3. 環(huán)境橋接：這一層負責環(huán)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(huán)境實施了適當?shù)陌踩胧?。瀏覽器擴展和 Web 環(huán)境都采用了嚴格的權(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)級訪問，基于用戶權(quán)限進行文件操作和命令執(zhí)行，在需要時會在執(zhí)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(huán)境的工具，這使得開發(fā)者可以在多個環(huán)境中無縫地切換，并確保工具的正確加載。
層次化規(guī)劃（Hierachical planning）
我們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 負責將用戶的需求（自然語言或代碼語言表示）和現(xiàn)有工具集拆解成一個有領(lǐng)域特定語言（Domain-specific language）表示的任務(wù)圖（Task graph）。任務(wù)圖是一個有向無環(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)每個任務(wù)調(diào)用 LLM 來合成具體的執(zhí)行行為和工具調(diào)用。
多步合并優(yōu)化：當 Eko 檢測到兩次執(zhí)行都是對 LLM 的調(diào)用時，會觸發(fā)框架的自動合并機制，將兩次調(diào)用的 system prompt 自動整合，合并成一次調(diào)用。從而加快推理速度。
視覺 - 交互要素聯(lián)合感知（Visual-Interactive Element Perception）
視覺 - 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，通過將視覺識別與元素上下文信息結(jié)合，顯著提升了在復(fù)雜網(wǎng)頁中的任務(wù)精度和效率。它通過提取網(wǎng)頁中的交互元素（如 A11y 樹），并將其映射到領(lǐng)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(tǒng)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(yīng)，提升了元素識別的精度。為了優(yōu)化性能，截圖分辨率被壓縮至原始的 60%，同時畫質(zhì)壓縮至 50%，減少了資源消耗，同時保持了足夠的識別質(zhì)量。
與傳統(tǒng)的 HTML 表示相比，VIEP 通過簡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(yōu)化了性能，降低了成本，還提升了跨環(huán)境適應(yīng)性，確保自動化操作在不同瀏覽器和操作系統(tǒng)中穩(wěn)定運行。
生產(chǎn)級的可干預(yù)機制
在構(gòu)建 AI 驅(qū)動的自動化系統(tǒng)時，開發(fā)者常常需要監(jiān)控任務(wù)的執(zhí)行情況，隨時調(diào)整行為，或在必要時進行干預(yù)。雖然 “鉤子” 是軟件開發(fā)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(jiān)督之間架起了一座橋梁。簡單來說，你可以在 Workflow 執(zhí)行前后插入自己的邏輯，比如驗證輸入、處理結(jié)果、甚至重試失敗的任務(wù)。代碼如下：
JavaScript
await eko.execute (workflow, {
hooks: {
beforeToolUse: async (tool, context, input) => {
console.log (`準備執(zhí)行工具：${tool.name}，輸入?yún)?shù)：`, input);
return input;
},
afterToolUse: async (tool, context, result) => {
console.log (`工具執(zhí)行完成：${tool.name}，輸出結(jié)果：`, result);
return result;
}
}
});Eko 提供三種不同層級的鉤子，每個層級都具有獨特的作用：
1. 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)控自動化流程的啟動和結(jié)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(jié)束后進行清理和處理最終結(jié)果。
2. 子任務(wù)鉤子（Subtask Hooks）
這些鉤子位于工作流的中間層，允許你在每個子任務(wù)開始前和結(jié)束后進行監(jiān)控和處理。例如，你可以在每個子任務(wù)前記錄日志，或在任務(wù)完成后對中間結(jié)果進行處理。
3. 工具鉤子（Tool Hooks）
這是最細粒度的鉤子，允許你在每個工具執(zhí)行前后進行驗證和修改。例如，你可以在工具執(zhí)行前驗證輸入?yún)?shù)，或在工具執(zhí)行后處理返回結(jié)果。
鉤子可以幫助開發(fā)者實時優(yōu)化工作流，提高自動化系統(tǒng)的精度和效率。例如，在執(zhí)行某些任務(wù)時，開發(fā)者可以通過鉤子對輸入數(shù)據(jù)進行驗證，防止錯誤信息傳入系統(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。鉤子還能幫助開發(fā)者收集執(zhí)行數(shù)據(jù)，進行性能分析，識別瓶頸并優(yōu)化自動化流程。
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)新的使用場景。例如，在一些關(guān)鍵任務(wù)執(zhí)行時，鉤子可以暫停工作流并等待人工審批；在 AI 決策出現(xiàn)問題時，開發(fā)者可以通過鉤子進行人工干預(yù)或覆蓋 AI 的判斷，確保業(yè)務(wù)流程的順暢。
展望
無論你是 AI 開發(fā)者還是自動化使用者，Eko 為你提供了更靈活、高效的工具，幫助你將虛擬員工部署到實際生產(chǎn)環(huán)境中，提升工作效率和質(zhì)量。立即關(guān)注 Eko，讓 AI 自動化為你的生產(chǎn)力加速！
作者介紹
陸逸文，清華大學(xué)博士生，研究興趣為具身智能平臺和智能體。
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)自動化系博士后，博士畢業(yè)于清華大學(xué)。主要研究興趣為強化學(xué)習和智能體。
陳家棋，復(fù)旦大學(xué)碩士生，斯坦福大學(xué)訪問學(xué)生學(xué)者。主要研究領(lǐng)域為計算機視覺和智能體。
