近期，OpenAI CEO Sam Altman 宣布，2025 年將推出名為 “Operator” 的虛擬員工計劃，AI 代理將能夠自主執行任務，如寫代碼、預訂旅行等，成為企業中的 “數字同事”。
在 OpenAI 發布 “Operator” 之前，清華、復旦和斯坦福的研究者聯合提出了名為 “Eko” 的 Agent 開發框架，旨在讓開發者通過簡潔的代碼和自然語言，快速構建可用于生產的 “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，為工作流程提供自動化支持。
核心技術創新：
1. 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）。
2. 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。
3. 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。
Eko：革新生產級智能體開發的框架
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力工具嗎！真是解放雙手！
“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。”“ 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. 生成測試報告并導出”清理當前目錄下大于 1MB 的所有文件環境感知架構（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。
架構介紹
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）。
1. 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。
2. 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。
3. 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）
我們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，你可以在 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：
Javascript
await eko.execute (workflow, {
hooks: {
beforeToolUse: async (tool, context, input) => {
console.log (`準備執行工具：${tool.name}，輸入參數：`, input);
return input;
},
afterToolUse: async (tool, context, result) => {
console.log (`工具執行完成：${tool.name}，輸出結果：`, 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。
2. 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。
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。
展望
無論你是 AI 開發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環境中，提升工作效率和質量。立即關注 Eko，讓 AI 自動化為你的生產力加速！
作者介紹
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。
京公網安備 11011402013531號