這項由卡內基梅隆大學電腦科學學院研究團隊完成的研究，以預印本形式發布於2026年6月，論文編號為arXiv:2606.01533，有興趣深入了解的讀者可以通過這個編號在arXiv平台上查詢完整論文。
**一、從"一個人干所有活兒"到"團隊協作"**
假設你是一家公司的老闆，手邊只有一名員工。每天你把一張任務清單交給他，他從第一項做到最後一項，中途不能請同事幫忙，也不能回頭修改計劃。如果這名員工在第三項任務上卡住了，整個流水線就徹底停擺。這正是當前絕大多數電腦操作智能體（Computer Use Agent，簡稱CUA）的工作方式——它們像一個孤獨的員工，接收一個任務，然後從頭到尾一步一步地執行，既不分工，也不並行，遇到問題只能原地掙扎。
什麼是CUA？簡單來說，就是能替人操作電腦圖形界面的AI助手——幫你在網頁上填表、打開應用程式、點擊按鈕，甚至完成一整套複雜的辦公室工作流程。這類工具近幾年隨著大型語言模型的崛起迅速成熟，GPT-5.4、Claude Opus 4.6等前沿模型在標準評測中的成績已經超過了普通人類的水平。
然而，卡內基梅隆大學的研究團隊發現了一個根本性的問題：這些能力出眾的智能體在設計上仍然是"單人運動員"，面對複雜的、需要長時間連續工作的任務時，它們很快就會陷入困境。研究團隊於是提出了一個新的思路——**多智能體電腦使用系統**（Multi-Agent Computer Use，簡稱MACU），讓一個"經理"AI統籌協調多個"員工"AI同步作戰，解決單打獨鬥難以完成的複雜任務。
**二、單個智能體為什麼會失敗：三個致命弱點**
要理解MACU為何值得關注，先得搞清楚單個CUA在哪些地方容易翻車。
第一個弱點是**缺乏分工**。把"調查五家餐廳的評分並整理成表格"這類任務交給單一智能體，它必須一家一家地查，查完第一家再查第二家，就像一個人拿著購物清單在超市里走遍每個貨架。如果五家餐廳的資訊可以同時搜集，理論上效率可以提升五倍，但單一智能體無法同時開五個瀏覽器、派五個"分身"去做這件事。
第二個弱點是**無法有效回頭修正**。真實世界的電腦操作環境高度"部分可觀測"——這個說法聽起來很學術，其實意思很直白：智能體在某一時刻能看到的資訊是有限的，當它完成了某個子任務並關閉了相應的頁面，那些資訊就永久消失了。後續任務可能恰恰需要那些已消失的資訊，但智能體無法回到過去重新獲取。這就像你出門買菜時沒有記下超市的促銷價格，回到家才發現需要貨比三家，但已經沒有辦法對比了。
第三個弱點是**長任務中的累積失誤**。步驟越多，出錯概率越高。單一智能體在長達數十步甚至數百步的任務中，任何一步判斷失誤都可能導致整體失敗，而且它往往沒有機制來發現並糾正自己走偏了的方向。
**三、MACU的核心設計：用"項目圖"代替"任務清單"**
MACU的核心創新在於引入了一種叫做**有向無環圖**（Directed Acyclic Graph，DAG）的任務組織結構。聽起來複雜，但本質上就是一張"工程進度圖"，和建築工地上的施工計劃圖如出一轍。
在這張圖裡，每個節點代表一項子任務，節點之間的箭頭代表依賴關係——只有當某個前置任務完成後，下游任務才能開始。打個比方，修房子時必須先打好地基，才能砌牆，砌完牆才能裝窗戶，但刷內牆和裝地板可以同步進行。MACU的"經理"AI（Manager）負責把一個大任務拆解成這樣一張圖，然後讓多個"員工"AI（Subagent）並行處理圖上那些沒有前置依賴的節點，也就是"當前可以立刻開工的任務"。
更重要的是，這張圖不是一開始就固定死的。每當一個子任務完成，經理AI會收到來自員工AI的匯報，包括文字說明和截圖，然後根據新獲得的資訊決定是否修改後續計劃。它可以添加新的子任務、取消原本多餘的任務、修改某個待執行任務的具體指令，甚至強制終止一個正在執行但已經陷入死循環的任務。這種持續調整計劃的能力，被研究團隊稱為"**持續重規劃**"（Continuous Replanning），是MACU超越傳統單一智能體的關鍵機制之一。
在技術實現上，每個員工AI運行在獨立的虛擬機（VM）上，彼此相互隔離，就像公司里每個員工都有自己獨立的辦公桌和電腦。子任務完成後，經理AI會查看該員工虛擬機上的文件系統變動，決定哪些新生成的文件值得保存下來，以備後續任務使用。當一個下遊子任務需要繼承上游任務留下的電腦狀態時（比如繼續在上一步打開的網頁上操作），系統會直接將上游虛擬機的快照"克隆"過來，讓員工AI從斷點處繼續工作，而不是重新開始。
**四、實驗設計：四個不同難度的考場**
研究團隊在四個不同的基準測試集上對MACU進行了系統評估，這四個測試集各有側重，像是給系統設置了從簡單到複雜的四個考場。
第一個考場是**OSWorld**，包含369個在Ubuntu系統上執行的桌面任務，涵蓋各種原生應用和跨應用工作流。評分方式是程序自動檢查任務是否真正完成，比如檢查文件是否被正確修改、設置是否生效。
第二個考場是**Online-Mind2Web**，含300個在136個真實網站上執行的網頁導航任務。評分由另一個AI擔當裁判，判斷智能體是否真正完成了任務。
第三個考場是**WebTailBench-v2**，共609個任務，專門設計來覆蓋那些在其他測試集裡被忽視的"長尾"場景——包括多步驟操作和跨網站任務。
第四個考場，也是難度最高的，是**Odysseys**，包含200個從真實用戶瀏覽行為中提煉出來的長程網頁導航任務。每個任務都有一套細化的評分標準，不僅記錄任務是否完成，還記錄完成了多大比例的關鍵要求。這個考場的任務往往需要同時查詢多個網站、處理大量資訊、做出複雜判斷，是最接近真實工作場景的測試。
在主要實驗中，研究團隊使用**Qwen3.6-27B**模型作為所有員工AI的基礎，**Claude Opus 4.6**作為經理AI，同時還測試了用Qwen3.6-27B同時承擔經理和員工角色的情況。系統被設置為最多同時運行4個並行員工AI，經理可以對任務圖進行最多10次修改（即"重規劃預算"為10）。
**五、成績單：從微小進步到翻天覆地的改變**
實驗結果清楚地展示了從單一智能體到多智能體的收益，只不過不同考場的收益幅度差異很大，背後原因也頗有意思。
在OSWorld上，單一智能體的成功率為43.8%，MACU將其提升到48.5%，提升了4.7個百分點。與此同時，完成每個任務所需的時間從平均26.6分鐘降低到21.4分鐘。這個提升幅度相對溫和，原因在於OSWorld的任務大多是針對單個應用的操作，天然適合"一個人干"，並行化的空間有限。
Online-Mind2Web上的提升同樣穩健但不驚艷，成功率從52.2%升至55.6%，增加了3.4個百分點。不過這裡出現了一個有趣的反效果：完成時間反而從18.5分鐘增加到33.6分鐘。原因在於這些網頁任務大多是天然串行的——必須先完成前一步才能進行下一步——並行化幫不上什麼忙，反而經理AI每次分析匯報、更新計劃圖都需要額外的時間，導致整體變慢了。這恰恰說明多智能體框架並不是"萬能良藥"，對於本質上是線性的任務，它的優勢會被管理開銷所抵消。
真正令人眼前一亮的成績出現在後兩個考場。WebTailBench-v2上，成功率從20.8%躍升至29.5%，增幅8.7個百分點；任務中滿足的評分指標比例也從35.9%提升到46.3%。Odysseys上的變化更為戲劇性：成功率從8.5%飆升至34.0%，足足提高了25.5個百分點；滿足指標比例從42.1%提升到62.3%；同時任務完成的中位時間從162分鐘縮短到110分鐘，速度提升了約1.47倍。這兩個考場的任務恰恰是那種需要同時查詢多個來源、並行收集資訊的場景，MACU的並行能力在這裡發揮得淋漓盡致。
**六、規劃預算和並行度：旋鈕擰多少才合適**
研究團隊還通過一系列消融實驗來探索MACU各項設計參數的影響，得出了一些很有實踐價值的結論。
關於重規劃預算（即經理AI可以修改任務圖的次數上限），研究團隊在一個包含36個任務的OSWorld子集上進行了系統測試。當預算為0時（即完全不允許修改，任務圖一旦生成就固定不變），成功率只有25.0%。把預算調到1（允許生成初始任務圖，但之後不能再改），成功率僅微微提升到27.8%，改善幅度幾乎可以忽略不計。一旦預算提升到5，允許在任務執行過程中隨時調整計劃，成功率跳升到47.2%；預算設為10時，成功率達到58.3%。這組數據清楚地說明，"動態調整計劃"的能力才是MACU的核心價值所在，而不僅僅是"把任務拆成多個子任務"。把任務圖固定死的MACU和真正能持續修正的MACU之間，差距天壤之別。
關於並行智能體數量，研究團隊在Odysseys的"簡單"任務子集（45個任務）上進行了測試。當最大並行數為1時（本質上是單一智能體加上了規劃框架），中位完成時間為25.4分鐘，成功率53.3%，平均滿足指標比例76.4%。把並行數提升到2，時間降到13.1分鐘，速度提升約1.9倍；提升到4，時間進一步降到7.9分鐘，速度提升約3.2倍，與此同時成功率也提升到60.4%，滿足指標比例提升到85.8%。可見更多的並行能力不僅能加快速度，還能真正幫助完成更多任務，因為並行搜索本身就是一種覆蓋更廣的策略。
**七、經理AI的能力有多重要**
研究團隊還固定員工AI（始終使用Qwen3.5-4B這個較小的模型），替換不同的經理AI來測量經理能力的影響。結論非常明確：經理越聰明，整個系統表現越好，而且差距相當懸殊。
用沒有任何經理的單一智能體作為基準，成功率是25.0%。加入經理後，使用Gemini 3.1 Flash Lite（一個輕量級模型）作為經理，成功率提升到36.1%；使用Kimi K2.6或Qwen3.6-27B作為經理，達到41.7%；Gemini 3.1 Pro Preview同樣是41.7%；GPT-5.4達到44.4%；Claude Sonnet 4.6達到52.8%；而Claude Opus 4.6作為經理時，成功率高達58.3%，比沒有經理的基準翻了一倍多。
這個實驗有個重要的含義：MACU帶來的收益不只是因為使用了更強的大模型作為經理而產生的"知識蒸餾"效果，而是因為整個多智能體框架的結構性優勢——任務分解、並行執行、持續重規劃——這些機制本身就創造了價值。研究團隊通過另一組實驗驗證了這一點：即使經理和員工都用同一個Qwen3.6-27B模型，MACU相比單一智能體仍然有顯著提升，說明框架設計本身的貢獻無法被簡單地歸結為"用了更好的模型"。
**八、任務圖長什麼樣：四種典型的分工模式**
通過分析實際運行中生成的任務圖，研究團隊歸納出了幾種反覆出現的典型結構，就像不同類型工程項目的標準施工方案。
最簡單的是"**簡單鏈式**"結構：經理生成一個員工任務，員工完成後匯報，經理收到報告生成最終摘要。適合只需要一個智能體順序執行的任務，比如"把GIMP的主題從暗色切換為亮色"。
更常見的是"**映射-歸約**"（Map-Reduce）結構，這個名字來自數據處理領域，但用來理解這裡再貼切不過。就像一家超市需要盤點所有貨架上的庫存，可以先讓每個員工負責一個區域並行盤點（映射階段），然後匯總所有人的清單（歸約階段）。比如"收集五家香港餐廳的Google地圖資訊並整理成表格"，經理會同時派出五個員工分別查詢五家餐廳，等五份資訊都回來後再合併整理。
"**運行時重試擴展**"結構是MACU動態重規劃能力的典型體現。當初始任務失敗或資訊不足時，經理會臨時添加新的替代方案節點，就像施工計劃里某個供應商斷貨後緊急找備用供應商。比如查詢某個特定數字化趨勢報告時，初始搜索失敗，經理隨即添加幾種不同的搜索變體並行嘗試。
還有一種"**重試鏈**"結構，適合那些需要反覆嘗試直到成功的任務，比如某個網頁總是加載超時，經理就不斷派出新的員工用不同策略重試，同時保留所有嘗試的記錄以供最終匯總參考。
研究團隊還統計了四個考場上任務圖的規模變化情況。在任務開始時，OSWorld任務圖平均有2.3個節點，到任務結束時增長到2.9個節點；Online-Mind2Web從2.1個節點增長到4.3個節點，幾乎翻倍；WebTailBench從2.3增長到4.2；Odysseys從6.0增長到7.6，且初始圖就已經是最大的。需要至少進行一次動態修改的任務比例在各考場也不同：OSWorld為45.7%，Online-Mind2Web為68.0%，WebTailBench為73.5%，Odysseys為74.5%。可以看到，任務越複雜，運行時動態調整計劃的必要性越高。
**九、MACU怎麼處理"已經消失的資訊"**
前面提到過，電腦操作是一個"部分可觀測"的環境——很多資訊一旦錯過就再也找不回來了。這是MACU在系統設計上特別著力解決的問題。
研究團隊的解法是：經理AI在每次收到員工匯報時，會將關鍵資訊（文字回復和最近幾張截圖）納入自己的"記憶"，並將相關資訊寫入後續任務的指令中。這樣，即使原始網頁已經關閉，後續任務的指令里已經包含了所需的具體數字、URL或其他關鍵細節，員工AI不需要重新去找就能直接使用。
除此之外，在文件層面，系統會在每個員工任務完成後檢查其虛擬機上的文件變動，由經理決定哪些文件值得保存到共享的文件歸檔池中。下游任務可以通過指定歸檔名稱，在啟動時自動將這些文件加載到自己的虛擬機里。這就像團隊協作時的共享雲盤，前一個人整理好的文檔，後續負責匯總的人可以直接調用，不需要重新整理。
**十、和其他策略相比，MACU有多大優勢**
研究團隊還特別測試了一種叫做"pass@k"的對照策略：讓單一智能體獨立運行8次，遇到成功就停下來，最後看8次機會裡能成功多少次。這個策略在真實應用中並不實際（因為需要知道哪次成功了才能停，但通常沒有人能在旁邊實時判斷），但對於分析MACU的能力來說是個有意思的參考。
結果顯示，在總執行步數相同的情況下（不超過200步），MACU的表現優於pass@8。換句話說，同樣的算力投入下，MACU通過有策略地分配任務和動態調整計劃，比盲目重試八次效果更好。當步數進一步增加到200步以上，兩者都趨於平穩，不再有太多改善空間，但MACU在較早的階段就達到了更高的成功率。
另一個有趣的趨勢是"隨算力增加的擴展性"：研究團隊繪製了成功率隨總執行步數增加的曲線。單一智能體的曲線很快就平坦了，增加更多步數帶來的收益越來越小；而MACU的曲線則持續上升更長時間，說明它能更有效地利用額外的計算資源來解決更多任務。這意味著隨著未來算力的增加，MACU有可能持續受益，而單一智能體則更快碰到天花板。
**十一、哪類任務最受益，哪類任務幫助有限**
從按難度分層的結果來看，MACU對簡單和中等難度任務的提升最為顯著，對極難任務也有一定改善。在Odysseys上，簡單任務的成功率從22.2%躍升到82.2%，中等難度從11.1%升至46.7%，困難任務從1.8%提升到9.2%，同時滿足指標比例從26.5%改善到43.1%。
從任務類型來看，最受益於MACU的是那些天然需要並行資訊收集的任務：WebTailBench上的"價格比較"類任務從3.7%提升到33.9%，"航班搜索"類從14.0%提升到34.0%，"複合型任務"從24.0%提升到41.8%。OSWorld上改善最明顯的是需要跨應用操作的Ubuntu系統任務（從45.8%升至70.8%），以及LibreOffice全套工具的任務——Writer從47.8%升至60.9%，Calc從34.0%升至46.8%，Impress從40.2%升至50.9%。
相比之下，Online-Mind2Web的中等和困難任務改善有限（分別從50.8%升至51.5%，37.0%升至38.4%），進一步印證了這樣一個規律：任務越是天然可拆解、越需要在多個來源之間並行搜集資訊，MACU的優勢就越大；越是線性串行的任務，收益就越小，管理開銷甚至可能拖累整體表現。
**十二、系統還有哪些局限**
研究團隊在論文中坦誠地列出了MACU目前的局限性，這些討論對於評估該系統的實用價值同樣重要。
最直接的成本問題是，MACU在計算資源上的消耗遠大於單一智能體。使用Claude Opus 4.6作為經理時，平均每個OSWorld任務花費0.21美元，每個Odysseys任務花費0.90美元，完整跑完四個基準測試的API費用合計約651美元。對於本質上是串行的任務（如Online-Mind2Web），MACU不僅沒有節省時間，還增加了開銷，說明在部署前需要仔細評估任務特性是否適合多智能體框架。
其次，整個系統依賴複雜的基礎設施：獨立的虛擬機池、快照克隆機制、文件歸檔系統、任務圖驗證邏輯等，這些都增加了工程複雜度。隨著規模擴大，如何有效管理這些資源是一個實際挑戰。
第三，評估基準本身也有局限——這些測試是在隔離環境中進行的，不涉及真實用戶賬號、私密文件、登錄認證或不可撤銷操作。研究團隊明確指出，當前的結果只能說明多智能體協調是一個有價值的研究方向，距離實際部署到真實用戶環境還需要進一步研究安全機制、用戶授權控制和風險防護措施。
說到底，MACU這項研究做的事情有點像把一支孤獨的高手變成了一支分工明確的團隊。單獨的智能體再厲害，在面對"同時查五家餐廳、對比三個網站價格、重試失敗的操作"這類工作時都會力不從心，而一個能靈活調度多個並行智能體、隨時根據新資訊修改作戰計劃的"經理"AI，卻能把同樣的計算資源用得更聰明、走得更遠。
研究結果也清晰地回答了"什麼樣的任務值得用多智能體"這個問題：任務越複雜、越需要並行資訊收集、越長程，MACU的優勢越突出。對於簡單線性任務，引入多智能體框架反而是給自己增添麻煩。這種差異性提示我們，未來實用的AI系統可能需要學會"自我判斷"：什麼時候單槍匹馬，什麼時候召喚團隊。
當然，從實驗室里的測試成功到真正讓多智能體AI幫你處理郵件、填報稅表、管理日程，中間還有很長的路要走，特別是在安全性和隱私保護方面。研究團隊也坦言，MACU目前的形式不適合直接部署在真實用戶環境中，任何實際應用都需要加入嚴格的權限控制和操作審核機制。對這個領域感興趣的讀者，可以通過arXiv編號2606.01533找到完整論文，以及該團隊發布的代碼和交互式可視化工具，親眼看看那些任務圖是怎麼在執行過程中動態演變的。
Q&A
Q1：MACU和普通的AI智能體有什麼區別？
A：普通CUA是單個AI從頭到尾串行執行任務，而MACU是由一個"經理"AI協調多個"員工"AI並行工作。經理AI把任務拆成有依賴關係的子任務圖，多個員工同時處理無依賴的部分，經理還會根據實時結果動態調整後續計劃，這是兩種根本不同的工作方式。
Q2：MACU在所有任務上都比單個智能體更好嗎？
A：不是。研究發現，對於天然串行的任務（比如Online-Mind2Web中大多數需要一步接一步完成的網頁操作），MACU不僅提升有限，完成時間反而更長，因為管理開銷超過了並行帶來的收益。MACU的優勢主要體現在可以並行拆分的複雜長程任務上，比如同時查詢多個網站、對比多個來源的資訊。
Q3：MACU用的是什麼模型？
A：主要實驗中，研究團隊用Qwen3.6-27B作為所有員工AI的基礎模型，用Claude Opus 4.6作為經理AI。研究還測試了多種不同的經理模型，包括GPT-5.4、Gemini系列、Kimi K2.6等，發現經理模型越強，整體系統表現越好，Opus 4.6的效果最佳。
