这项由卡内基梅隆大学计算机科学学院研究团队完成的研究，以预印本形式发布于2026年6月，论文编号为arXiv:2606.01533，有兴趣深入了解的读者可以通过这个编号在arXiv平台上查询完整论文。

**一、从"一个人干所有活儿"到"团队协作"**

假设你是一家公司的老板，手边只有一名员工。每天你把一张任务清单交给他，他从第一项做到最后一项，中途不能请同事帮忙，也不能回头修改计划。如果这名员工在第三项任务上卡住了，整个流水线就彻底停摆。这正是当前绝大多数电脑操作智能体（Computer Use Agent，简称CUA）的工作方式——它们像一个孤独的员工，接收一个任务，然后从头到尾一步一步地执行，既不分工，也不并行，遇到问题只能原地挣扎。

什么是CUA？简单来说，就是能替人操作电脑图形界面的AI助手——帮你在网页上填表、打开应用程序、点击按钮，甚至完成一整套复杂的办公室工作流程。这类工具近几年随着大型语言模型的崛起迅速成熟，GPT-5.4、Claude Opus 4.6等前沿模型在标准测评中的成绩已经超过了普通人类的水平。

然而，卡内基梅隆大学的研究团队发现了一个根本性的问题：这些能力出众的智能体在设计上仍然是"单人运动员"，面对复杂的、需要长时间连续工作的任务时，它们很快就会陷入困境。研究团队于是提出了一个新的思路——**多智能体电脑使用系统**（Multi-Agent Computer Use，简称MACU），让一个"经理"AI统筹协调多个"员工"AI同步作战，解决单打独斗难以完成的复杂任务。

**二、单个智能体为什么会失败：三个致命弱点**

要理解MACU为何值得关注，先得搞清楚单个CUA在哪些地方容易翻车。

第一个弱点是**缺乏分工**。把"调查五家餐厅的评分并整理成表格"这类任务交给单一智能体，它必须一家一家地查，查完第一家再查第二家，就像一个人拿着购物清单在超市里走遍每个货架。如果五家餐厅的信息可以同时搜集，理论上效率可以提升五倍，但单一智能体无法同时开五个浏览器、派五个"分身"去做这件事。

第二个弱点是**无法有效回头修正**。真实世界的电脑操作环境高度"部分可观测"——这个说法听起来很学术，其实意思很直白：智能体在某一时刻能看到的信息是有限的，当它完成了某个子任务并关闭了相应的页面，那些信息就永久消失了。后续任务可能恰恰需要那些已消失的信息，但智能体无法回到过去重新获取。这就像你出门买菜时没有记下超市的促销价格，回到家才发现需要货比三家，但已经没有办法对比了。

第三个弱点是**长任务中的累积失误**。步骤越多，出错概率越高。单一智能体在长达数十步甚至数百步的任务中，任何一步判断失误都可能导致整体失败，而且它往往没有机制来发现并纠正自己走偏了的方向。

**三、MACU的核心设计：用"项目图"代替"任务清单"**

MACU的核心创新在于引入了一种叫做**有向无环图**（Directed Acyclic Graph，DAG）的任务组织结构。听起来复杂，但本质上就是一张"工程进度图"，和建筑工地上的施工计划图如出一辙。

在这张图里，每个节点代表一项子任务，节点之间的箭头代表依赖关系——只有当某个前置任务完成后，下游任务才能开始。打个比方，修房子时必须先打好地基，才能砌墙，砌完墙才能装窗户，但刷内墙和装地板可以同步进行。MACU的"经理"AI（Manager）负责把一个大任务拆解成这样一张图，然后让多个"员工"AI（Subagent）并行处理图上那些没有前置依赖的节点，也就是"当前可以立刻开工的任务"。

更重要的是，这张图不是一开始就固定死的。每当一个子任务完成，经理AI会收到来自员工AI的汇报，包括文字说明和截图，然后根据新获得的信息决定是否修改后续计划。它可以添加新的子任务、取消原本多余的任务、修改某个待执行任务的具体指令，甚至强制终止一个正在执行但已经陷入死循环的任务。这种持续调整计划的能力，被研究团队称为"**持续重规划**"（Continuous Replanning），是MACU超越传统单一智能体的关键机制之一。

在技术实现上，每个员工AI运行在独立的虚拟机（VM）上，彼此相互隔离，就像公司里每个员工都有自己独立的办公桌和电脑。子任务完成后，经理AI会查看该员工虚拟机上的文件系统变动，决定哪些新生成的文件值得保存下来，以备后续任务使用。当一个下游子任务需要继承上游任务留下的电脑状态时（比如继续在上一步打开的网页上操作），系统会直接将上游虚拟机的快照"克隆"过来，让员工AI从断点处继续工作，而不是重新开始。

**四、实验设计：四个不同难度的考场**

研究团队在四个不同的基准测试集上对MACU进行了系统评估，这四个测试集各有侧重，像是给系统设置了从简单到复杂的四个考场。

第一个考场是**OSWorld**，包含369个在Ubuntu系统上执行的桌面任务，涵盖各种原生应用和跨应用工作流。评分方式是程序自动检查任务是否真正完成，比如检查文件是否被正确修改、设置是否生效。

第二个考场是**Online-Mind2Web**，含300个在136个真实网站上执行的网页导航任务。评分由另一个AI担当裁判，判断智能体是否真正完成了任务。

第三个考场是**WebTailBench-v2**，共609个任务，专门设计来覆盖那些在其他测试集里被忽视的"长尾"场景——包括多步骤操作和跨网站任务。

第四个考场，也是难度最高的，是**Odysseys**，包含200个从真实用户浏览行为中提炼出来的长程网页导航任务。每个任务都有一套细化的评分标准，不仅记录任务是否完成，还记录完成了多大比例的关键要求。这个考场的任务往往需要同时查询多个网站、处理大量信息、做出复杂判断，是最接近真实工作场景的测试。

在主要实验中，研究团队使用**Qwen3.6-27B**模型作为所有员工AI的基础，**Claude Opus 4.6**作为经理AI，同时还测试了用Qwen3.6-27B同时承担经理和员工角色的情况。系统被设置为最多同时运行4个并行员工AI，经理可以对任务图进行最多10次修改（即"重规划预算"为10）。

**五、成绩单：从微小进步到翻天覆地的改变**

实验结果清楚地展示了从单一智能体到多智能体的收益，只不过不同考场的收益幅度差异很大，背后原因也颇有意思。

在OSWorld上，单一智能体的成功率为43.8%，MACU将其提升到48.5%，提升了4.7个百分点。与此同时，完成每个任务所需的时间从平均26.6分钟降低到21.4分钟。这个提升幅度相对温和，原因在于OSWorld的任务大多是针对单个应用的操作，天然适合"一个人干"，并行化的空间有限。

Online-Mind2Web上的提升同样稳健但不惊艳，成功率从52.2%升至55.6%，增加了3.4个百分点。不过这里出现了一个有趣的反效果：完成时间反而从18.5分钟增加到33.6分钟。原因在于这些网页任务大多是天然串行的——必须先完成前一步才能进行下一步——并行化帮不上什么忙，反而经理AI每次分析汇报、更新计划图都需要额外的时间，导致整体变慢了。这恰恰说明多智能体框架并不是"万能良药"，对于本质上是线性的任务，它的优势会被管理开销所抵消。

真正令人眼前一亮的成绩出现在后两个考场。WebTailBench-v2上，成功率从20.8%跃升至29.5%，增幅8.7个百分点；任务中满足的评分指标比例也从35.9%提升到46.3%。Odysseys上的变化更为戏剧性：成功率从8.5%飙升至34.0%，足足提高了25.5个百分点；满足指标比例从42.1%提升到62.3%；同时任务完成的中位时间从162分钟缩短到110分钟，速度提升了约1.47倍。这两个考场的任务恰恰是那种需要同时查询多个来源、并行收集信息的场景，MACU的并行能力在这里发挥得淋漓尽致。

**六、规划预算和并行度：旋钮拧多少才合适**

研究团队还通过一系列消融实验来探索MACU各项设计参数的影响，得出了一些很有实践价值的结论。

关于重规划预算（即经理AI可以修改任务图的次数上限），研究团队在一个包含36个任务的OSWorld子集上进行了系统测试。当预算为0时（即完全不允许修改，任务图一旦生成就固定不变），成功率只有25.0%。把预算调到1（允许生成初始任务图，但之后不能再改），成功率仅微微提升到27.8%，改善幅度几乎可以忽略不计。一旦预算提升到5，允许在任务执行过程中随时调整计划，成功率跳升到47.2%；预算设为10时，成功率达到58.3%。这组数据清楚地说明，"动态调整计划"的能力才是MACU的核心价值所在，而不仅仅是"把任务拆成多个子任务"。把任务图固定死的MACU和真正能持续修正的MACU之间，差距天壤之别。

关于并行智能体数量，研究团队在Odysseys的"简单"任务子集（45个任务）上进行了测试。当最大并行数为1时（本质上是单一智能体加上了规划框架），中位完成时间为25.4分钟，成功率53.3%，平均满足指标比例76.4%。把并行数提升到2，时间降到13.1分钟，速度提升约1.9倍；提升到4，时间进一步降到7.9分钟，速度提升约3.2倍，与此同时成功率也提升到60.4%，满足指标比例提升到85.8%。可见更多的并行能力不仅能加快速度，还能真正帮助完成更多任务，因为并行搜索本身就是一种覆盖更广的策略。

**七、经理AI的能力有多重要**

研究团队还固定员工AI（始终使用Qwen3.5-4B这个较小的模型），替换不同的经理AI来测量经理能力的影响。结论非常明确：经理越聪明，整个系统表现越好，而且差距相当悬殊。

用没有任何经理的单一智能体作为基准，成功率是25.0%。加入经理后，使用Gemini 3.1 Flash Lite（一个轻量级模型）作为经理，成功率提升到36.1%；使用Kimi K2.6或Qwen3.6-27B作为经理，达到41.7%；Gemini 3.1 Pro Preview同样是41.7%；GPT-5.4达到44.4%；Claude Sonnet 4.6达到52.8%；而Claude Opus 4.6作为经理时，成功率高达58.3%，比没有经理的基准翻了一倍多。

这个实验有个重要的含义：MACU带来的收益不只是因为使用了更强的大模型作为经理而产生的"知识蒸馏"效果，而是因为整个多智能体框架的结构性优势——任务分解、并行执行、持续重规划——这些机制本身就创造了价值。研究团队通过另一组实验验证了这一点：即使经理和员工都用同一个Qwen3.6-27B模型，MACU相比单一智能体仍然有显著提升，说明框架设计本身的贡献无法被简单地归结为"用了更好的模型"。

**八、任务图长什么样：四种典型的分工模式**

通过分析实际运行中生成的任务图，研究团队归纳出了几种反复出现的典型结构，就像不同类型工程项目的标准施工方案。

最简单的是"**简单链式**"结构：经理生成一个员工任务，员工完成后汇报，经理收到报告生成最终摘要。适合只需要一个智能体顺序执行的任务，比如"把GIMP的主题从暗色切换为亮色"。

更常见的是"**映射-归约**"（Map-Reduce）结构，这个名字来自数据处理领域，但用来理解这里再贴切不过。就像一家超市需要盘点所有货架上的库存，可以先让每个员工负责一个区域并行盘点（映射阶段），然后汇总所有人的清单（归约阶段）。比如"收集五家香港餐厅的Google地图信息并整理成表格"，经理会同时派出五个员工分别查询五家餐厅，等五份信息都回来后再合并整理。

"**运行时重试扩展**"结构是MACU动态重规划能力的典型体现。当初始任务失败或信息不足时，经理会临时添加新的替代方案节点，就像施工计划里某个供应商断货后紧急找备用供应商。比如查询某个特定数字化趋势报告时，初始搜索失败，经理随即添加几种不同的搜索变体并行尝试。

还有一种"**重试链**"结构，适合那些需要反复尝试直到成功的任务，比如某个网页总是加载超时，经理就不断派出新的员工用不同策略重试，同时保留所有尝试的记录以供最终汇总参考。

研究团队还统计了四个考场上任务图的规模变化情况。在任务开始时，OSWorld任务图平均有2.3个节点，到任务结束时增长到2.9个节点；Online-Mind2Web从2.1个节点增长到4.3个节点，几乎翻倍；WebTailBench从2.3增长到4.2；Odysseys从6.0增长到7.6，且初始图就已经是最大的。需要至少进行一次动态修改的任务比例在各考场也不同：OSWorld为45.7%，Online-Mind2Web为68.0%，WebTailBench为73.5%，Odysseys为74.5%。可以看到，任务越复杂，运行时动态调整计划的必要性越高。

**九、MACU怎么处理"已经消失的信息"**

前面提到过，电脑操作是一个"部分可观测"的环境——很多信息一旦错过就再也找不回来了。这是MACU在系统设计上特别着力解决的问题。

研究团队的解法是：经理AI在每次收到员工汇报时，会将关键信息（文字回复和最近几张截图）纳入自己的"记忆"，并将相关信息写入后续任务的指令中。这样，即使原始网页已经关闭，后续任务的指令里已经包含了所需的具体数字、URL或其他关键细节，员工AI不需要重新去找就能直接使用。

除此之外，在文件层面，系统会在每个员工任务完成后检查其虚拟机上的文件变动，由经理决定哪些文件值得保存到共享的文件归档池中。下游任务可以通过指定归档名称，在启动时自动将这些文件加载到自己的虚拟机里。这就像团队协作时的共享云盘，前一个人整理好的文档，后续负责汇总的人可以直接调用，不需要重新整理。

**十、和其他策略相比，MACU有多大优势**

研究团队还特别测试了一种叫做"pass@k"的对照策略：让单一智能体独立运行8次，遇到成功就停下来，最后看8次机会里能成功多少次。这个策略在真实应用中并不实际（因为需要知道哪次成功了才能停，但通常没有人能在旁边实时判断），但对于分析MACU的能力来说是个有意思的参考。

结果显示，在总执行步数相同的情况下（不超过200步），MACU的表现优于pass@8。换句话说，同样的算力投入下，MACU通过有策略地分配任务和动态调整计划，比盲目重试八次效果更好。当步数进一步增加到200步以上，两者都趋于平稳，不再有太多改善空间，但MACU在较早的阶段就达到了更高的成功率。

另一个有趣的趋势是"随算力增加的扩展性"：研究团队绘制了成功率随总执行步数增加的曲线。单一智能体的曲线很快就平坦了，增加更多步数带来的收益越来越小；而MACU的曲线则持续上升更长时间，说明它能更有效地利用额外的计算资源来解决更多任务。这意味着随着未来算力的增加，MACU有可能持续受益，而单一智能体则更快碰到天花板。

**十一、哪类任务最受益，哪类任务帮助有限**

从按难度分层的结果来看，MACU对简单和中等难度任务的提升最为显著，对极难任务也有一定改善。在Odysseys上，简单任务的成功率从22.2%跃升到82.2%，中等难度从11.1%升至46.7%，困难任务从1.8%提升到9.2%，同时满足指标比例从26.5%改善到43.1%。

从任务类型来看，最受益于MACU的是那些天然需要并行信息收集的任务：WebTailBench上的"价格比较"类任务从3.7%提升到33.9%，"航班搜索"类从14.0%提升到34.0%，"复合型任务"从24.0%提升到41.8%。OSWorld上改善最明显的是需要跨应用操作的Ubuntu系统任务（从45.8%升至70.8%），以及LibreOffice全套工具的任务——Writer从47.8%升至60.9%，Calc从34.0%升至46.8%，Impress从40.2%升至50.9%。

相比之下，Online-Mind2Web的中等和困难任务改善有限（分别从50.8%升至51.5%，37.0%升至38.4%），进一步印证了这样一个规律：任务越是天然可拆解、越需要在多个来源之间并行搜集信息，MACU的优势就越大；越是线性串行的任务，收益就越小，管理开销甚至可能拖累整体表现。

**十二、系统还有哪些局限**

研究团队在论文中坦诚地列出了MACU目前的局限性，这些讨论对于评估该系统的实用价值同样重要。

最直接的成本问题是，MACU在计算资源上的消耗远大于单一智能体。使用Claude Opus 4.6作为经理时，平均每个OSWorld任务花费0.21美元，每个Odysseys任务花费0.90美元，完整跑完四个基准测试的API费用合计约651美元。对于本质上是串行的任务（如Online-Mind2Web），MACU不仅没有节省时间，还增加了开销，说明在部署前需要仔细评估任务特性是否适合多智能体框架。

其次，整个系统依赖复杂的基础设施：独立的虚拟机池、快照克隆机制、文件归档系统、任务图验证逻辑等，这些都增加了工程复杂度。随着规模扩大，如何有效管理这些资源是一个实际挑战。

第三，评估基准本身也有局限——这些测试是在隔离环境中进行的，不涉及真实用户账号、私密文件、登录认证或不可撤销操作。研究团队明确指出，当前的结果只能说明多智能体协调是一个有价值的研究方向，距离实际部署到真实用户环境还需要进一步研究安全机制、用户授权控制和风险防护措施。

说到底，MACU这项研究做的事情有点像把一支孤独的高手变成了一支分工明确的团队。单独的智能体再厉害，在面对"同时查五家餐厅、对比三个网站价格、重试失败的操作"这类工作时都会力不从心，而一个能灵活调度多个并行智能体、随时根据新信息修改作战计划的"经理"AI，却能把同样的计算资源用得更聪明、走得更远。

研究结果也清晰地回答了"什么样的任务值得用多智能体"这个问题：任务越复杂、越需要并行信息收集、越长程，MACU的优势越突出。对于简单线性任务，引入多智能体框架反而是给自己增添麻烦。这种差异性提示我们，未来实用的AI系统可能需要学会"自我判断"：什么时候单枪匹马，什么时候召唤团队。

当然，从实验室里的测试成功到真正让多智能体AI帮你处理邮件、填报税表、管理日程，中间还有很长的路要走，特别是在安全性和隐私保护方面。研究团队也坦言，MACU目前的形式不适合直接部署在真实用户环境中，任何实际应用都需要加入严格的权限控制和操作审核机制。对这个领域感兴趣的读者，可以通过arXiv编号2606.01533找到完整论文，以及该团队发布的代码和交互式可视化工具，亲眼看看那些任务图是怎么在执行过程中动态演变的。

Q&A

Q1：MACU和普通的AI智能体有什么区别？

A：普通CUA是单个AI从头到尾串行执行任务，而MACU是由一个"经理"AI协调多个"员工"AI并行工作。经理AI把任务拆成有依赖关系的子任务图，多个员工同时处理无依赖的部分，经理还会根据实时结果动态调整后续计划，这是两种根本不同的工作方式。

Q2：MACU在所有任务上都比单个智能体更好吗？

A：不是。研究发现，对于天然串行的任务（比如Online-Mind2Web中大多数需要一步接一步完成的网页操作），MACU不仅提升有限，完成时间反而更长，因为管理开销超过了并行带来的收益。MACU的优势主要体现在可以并行拆分的复杂长程任务上，比如同时查询多个网站、对比多个来源的信息。

Q3：MACU用的是什么模型？

A：主要实验中，研究团队用Qwen3.6-27B作为所有员工AI的基础模型，用Claude Opus 4.6作为经理AI。研究还测试了多种不同的经理模型，包括GPT-5.4、Gemini系列、Kimi K2.6等，发现经理模型越强，整体系统表现越好，Opus 4.6的效果最佳。