从“会回答”到“能交付”：工作代理的系统化方法

导语

当基础模型从生成文字、代码和答案，逐步进入浏览器、办公软件、开发环境及业务系统时，AI 代理面对的任务已经不再是一次性问答，而是持续推进、跨工具协作并最终交付成果的数字工作。问题也随之改变：代理是否“看起来聪明”，不如它能否在真实环境中稳定完成任务、保留工作状态，并让他人验证结果。

Hugging Face Daily Papers 收录的《Work Agents: Systems, Capabilities, and Optimization》试图为这一问题提供统一视角。论文把工作代理定义为由基础模型和运行时支撑系统共同构成的系统。模型负责理解、推理和决策，运行时系统则负责工具调用、状态管理、执行控制以及与工作空间的交互。代理的最终产物，不是某一轮对话中的文本，而是可检查、可复用、具有实际价值的工作结果。

核心要点

• 从模型中心转向系统中心。 单独提升模型能力，并不能自动解决长流程执行、工具失败、状态丢失和结果验证等问题。代理的可靠性取决于模型与运行时机制的组合。
• 用两个维度描述工作环境。 “工作持续性”关注任务是否需要跨越较长时间、反复推进和保留中间状态；“工作开放性”关注环境、工具、信息和任务路径是否预先确定。两者共同决定代理需要面对的复杂程度。
• 数字工作存在多种组织形态。 论文依据任务范围和组织方式，将数字工作归纳为五种形式，提示研究者不能用单一基准覆盖所有工作场景。短时、边界清晰的任务，与开放环境中的长期协作，其能力要求并不相同。
• 优化对象不只有模型。 论文围绕五类核心能力展开讨论，并分别考察模型优化、运行时支撑优化，以及二者的联合优化。后者尤其重要，因为更强的模型若缺少合适的记忆、执行和反馈机制，仍可能无法稳定交付。
• 评估应回到工作结果。 仅统计调用次数、步骤成功率或局部动作正确率，未必能说明任务是否真正完成。更有意义的评估应关注结果是否可靠、可验证、符合委托目标，以及整个过程是否具备持续执行能力。

意义与影响

这项工作的价值在于重新定义了工作代理的研究单位：它不是一个会调用工具的聊天模型，而是一个在有状态工作空间中持续行动的系统。这个视角有助于解释为什么同一个模型在演示任务中表现良好，却可能在真实流程中因上下文管理、环境变化或错误恢复不足而失效。

对研发者而言，未来的重点不应只是扩大模型规模或增加工具数量，还包括设计更稳健的运行时、明确的状态与权限管理、可追踪的执行记录，以及面向结果的验证机制。对评测者而言，基准需要覆盖持续委托和开放环境，而不是只测试单轮、封闭式任务。论文还提出一个值得持续研究的问题：代理在执行工作时获得的反馈，能否反过来促进能力改进。若这一循环能够可靠建立，工作代理才可能从“自动化操作工具”逐步发展为能够承担复杂数字工作的协作系统。

来源：Hugging Face Daily Papers