综述OS Agents: MLLM智能体实现计算设备通用控制 | 浙大&OPPO&零一万物等

非常高兴有机会分享我们的最新综述 OS Agents: A Survey on MLLM-based Agents for General Computing Devices Use 。最近，由Anthropic推出的Computer Use利用基于多模态大模型的智能体操控电脑完成各种任务，让人们为之兴奋，也带动了学术界与工业界在OS Agents相关领域的研究与发展。浙江大学联合OPPO、零一万物等十个机构共同梳理了OS Agents的发展现状以及未来可能，并形成了一篇综述，旨在推动该领域的持续发展。如下是我们对论文的中文解读，更多细节欢迎访问我们的论文以及开源仓库！

论文 ：https://os-agent-survey.github.io/paper.pdf
仓库 ：https://github.com/OS-Agent-Survey/OS-Agent-Survey
主页 ：https://os-agent-survey.github.io/
编辑 ：「深度学习自然语言处理」 公众号
OS Agents团队投稿

1 引言

《钢铁侠》中的贾维斯（J.A.R.V.I.S.）能够帮助托尼·斯塔克控制各种系统并自动完成任务，构建一个像这样的超级AI助手一直是人类长期以来的梦想。我们把这一类实体称为OS Agents，它们能够通过操作系统（OS）提供的环境和接口（如图形用户界面，GUI）在诸如电脑或者手机等计算设备上自动化的完成各类任务。OS Agents有巨大的潜力改善全球数十亿用户的生活，想象一个世界：在线购物、预订差旅等日常活动都可以由这些智能体无缝完成，这将大幅提高人们的生活效率和生产力。过去，诸如Siri[1]、Cortana[2]和Google Assistant[3]等AI助手，已经展示了这一潜力。然而，由于模型能力在过去较为有限，导致这些产品只能完成有限的任务。幸运的是，随着多模态大语言模型的不断发展，如Gemini[4] 、GPT[5] 、Grok[6] 、Yi[7] 和Claude[8]系列模型（排名根据2024年12月22日更新的 Chatbot Arena LLM Leaderboard[9]），这一领域迎来了新的可能性。(M)LLMs展现出令人瞩目的能力，使得OS Agents能够更好地理解复杂任务并在计算设备上执行。基础模型公司和手机厂商近期在这一领域动作频频，例如最近由Anthropic推出的Computer Use[10]、由苹果公司推出的Apple Intelligence[11]、由智谱AI推出的AutoGLM[12]和由Google DeepMind推出的Project Mariner [13]。例如，Computer Use利用Claude[14]与用户的计算机直接互动，旨在实现无缝的任务自动化。与此同时，学术界已经提出了各种方法来构建基于(M)LLM的OS Agents。例如，OS-Atlas[15]提出一种 GUI 基础模型，通过跨多个平台综合 GUI 操作数据，大幅改进了模型对 GUI 的操作能力，提升OOD任务的表现。而OS-Copilot[16]则是一种OS Agents框架，能够使智能体在少监督情况下实现广泛的计算机任务自动化，并展示了其在多种应用中的泛化能力和自我改进能力。

本文对OS Agents进行了全面的综述。首先阐明了OS Agents的基础，探讨了其关键要素，包括环境、观察空间和动作空间，并概述了理解、规划和执行操作等核心能力。接着，我们审视了构建OS Agents的方法，重点关注OS Agents领域特定的基础模型和智能体框架的开发。随后，本文详细回顾了评估协议和基准测试，展示了OS Agents在多种任务中的评估方式。最后，我们讨论了当前的挑战并指出未来研究的潜在方向，包括安全与隐私、个性化与自我进化。本文旨在梳理OS Agents研究的现状，为学术研究和工业开发提供帮助。为了进一步推动该领域的创新，我们维护了一个开源的GitHub仓库，包含250+有关OS Agents的论文以及其他相关资源，并且仍在持续更新中，欢迎大家关注。

2 OS Agents基础

2.1 关键要素 (Key Component)

要实现 OS Agents 对计算设备的通用控制，需要通过与操作系统提供的环境、输入和输出接口进行交互来完成目标。为满足这种交互需求，现有的 OS Agents 依赖三个关键要素：

• 环境（Environment） ：智能体操作的系统或平台，例如电脑、手机和浏览器。环境是智能体完成任务的舞台，支持从简单的信息检索到复杂的多步骤操作。
• 观察空间（Observation Space） ：智能体可获取的所有信息范围。这些信息诸如屏幕截图、文本描述或GUI界面结构，是智能体理解环境和任务的基础。例如，网页的 HTML 代码或手机的屏幕截图。
• 动作空间（Action Space） ：智能体与环境交互的动作集合。它定义了可执行的操作，如点击、输入文本、导航操作甚至调用外部工具。这使得智能体能够自动化完成任务并优化工作流。

2.2 核心能力 (Capability)

在OS Agents的这些关键要素后，如何与操作系统正确、有效的交互，这就需要考验OS Agents自身各方面的能力。我们将OS Agents必须掌握的核心能力总结为如下三点：

• 理解（Understanding） ：OS Agents 首先需要理解复杂的操作环境。无论是 HTML 代码、屏幕截图，还是屏幕界面中密集的图标和文本信息，智能体都需要通过理解能力提取关键内容，构建对任务和环境的全面认知。这种理解能力是处理信息检索等任务的前提。
• 规划（Planning） ：在任务执行中，OS Agents 的规划能力至关重要。规划能力要求OS Agents将复杂任务拆解为多个子任务，并制定操作序列来实现目标。同时，它们最好还要能够据环境变化动态调整计划，以适应复杂的操作系统环境，例如动态网页和实时更新的用户屏幕界面。
• 操作（Grounding） ：OS Agents最终需要将规划转化为具体的、可执行的操作，例如点击按钮、输入文本或调用 API。这种将规划“落地”的能力使得它们能够在真实环境中高效完成任务，并实现从文字描述到操作执行的精准转换。

3 OS Agents的构建

3.1 基础模型 (Foundation Model)

要构建能够高效执行任务的 OS Agents ，其核心在于开发适配的基础模型。这些模型不仅需要理解复杂的屏幕界面，还要在多模态场景下执行任务。我们在这部分对基础模型的架构与训练策略做了详细归纳与总结：

• 架构（Architecture） ：我们将主要的模型架构分为四个类别：1、Existing LLMs：直接采用开源的大语言模型架构，将结构化的屏幕界面信息以文本形式输入给LLMs，从而使得模型可以感知环境；2、Existing MLLMs：直接采用开源的多模态大语言模型架构，整合文本和视觉处理能力，提升对GUI的理解能力，减少文本化视觉信息而造成的特征损失；3、 Concatenated MLLMs：由LLM与视觉编码器桥接而成，灵活性更高，可以根据任务需求选择不同的语言模型和视觉模型进行组合；4、Modified MLLMs：对现有 MLLM 架构进行优化调整，以解决特定场景的挑战，如：添加额外模块（高分辨率视觉编码器或图像分割模块等），以更细致地感知和理解屏幕界面细节。
• 预训练（Pre-training） ：预训练为模型构建打下基础，通过海量数据提升对屏幕界面的理解能力。数据源包括公共数据集、合成数据集；预训练任务覆盖屏幕定位（Screen Grounding）、屏幕理解（Screen Understanding）与光学字符识别（OCR）等。
• 监督微调（Supervised Fine-tuning） ：监督微调让模型更贴合 GUI 场景，是提升OS Agents规划能力和执行能力的重要手段。例如，通过记录任务执行轨迹生成训练数据，或利用 HTML 渲染屏幕界面细节，提升模型对不同 GUI 的泛化能力。
• 强化学习（Reinforcement Learning） ：现阶段的强化学习实现了用(M)LLMs作为特征提取到(M)LLM-as-Agent的范式转变，帮助了OS Agents在动态环境中交互，根据奖励反馈，不断优化决策。这种方法不仅提升了智能体的对齐程度，还为视觉和多模态智能体提供了更强的泛化能力与任务适配性。

我们将近期的OS Agents基础模型相关论文总结如下：

3.2 智能体框架 (Agent Framework)

OS Agents 除了需要强大的基础模型，还需要搭配上Agent框架来增强感知、规划、记忆和行动能力。这些模块协同工作，使 OS Agents 能够高效应对复杂的任务和环境。以下是我们对OS Agents 框架的四大关键模块的总结归纳：

• 感知（Perception） ：感知作为OS Agents 的“眼睛”，通过输入的多模态数据（如屏幕截图、HTML 文档）观察环境。我们将感知细分为：1、文本感知：将操作系统的状态转化为结构化文本描述，如 DOM 树或 HTML 文件；2、屏幕界面感知：使用视觉编码器对屏幕界面截图进行理解，通过视觉定位（如按钮、菜单）和语义连接（如 HTML 标记）精准识别关键元素。
• 规划（Planning） ：规划作为OS Agents 的“大脑”，负责制定任务的执行策略，可以分为：1、全局规划：一次生成完整计划并执行；2、迭代规划：随着环境变化动态调整计划，使智能体能够适应实时更新的屏幕界面和任务需求。
• 记忆（Memory） ：OS Agents框架的“记忆”部分可以帮助存储任务数据、操作历史和环境状态。记忆分为三个类型：1、内部记忆（Internal Memory）：存储操作历史、屏幕截图、状态数据和动态环境信息，支持任务执行的上下文理解和轨迹优化。例如，借助截图解析屏幕界面布局或根据历史操作生成决策；2、外部记忆（External Memory）：提供长期知识支持，例如通过调用外部工具（如 API）或知识库获取领域背景知识，辅助复杂任务的决策；3、特定记忆（Specific Memory）：聚焦于特定任务的知识和用户需求，例如存储子任务分解方法、用户偏好或屏幕界面交互功能，提供高度针对性的操作支持。此外，我们还总结了多种记忆优化策略。
• 行动（Action） ：我们将OS Agents 的行动范围定义为动作空间，这包含操作系统交互的方式，我们将其细分为三个类别：1、输入操作：输入是 OS Agents 与数字屏幕界面交互的基础，主要包括鼠标操作、触控操作和键盘操作；2、导航操作：使 OS Agents 能够探索和移动于目标平台，获取执行任务所需的信息；3、扩展操作突破了传统屏幕界面交互的限制，为智能体提供更灵活的任务执行能力，例如：代码执行与API 调用。

同时，我们总结了近期有关OS Agents 框架的论文：

4 OS Agents的评估

在 OS Agents 的发展中，科学的评估起到了关键作用，帮助开发者衡量智能体在各种场景中的性能。如下表格包含我们对近期有关OS Agents评估基准论文的总结：

4.1 评估协议 (Evaluation Protocol)

OS Agents评估的核心可总结为两个关键问题：评估过程应如何进行与需要对哪些方面进行评估。下面我们将围绕这两个问题，阐述OS Agents的评估原则和指标。

• 评估原则（Evaluation Principle） ：OS Agents 的评估结合了多维度的技术方法，提供对其能力与局限性的全面洞察，主要分为两种类型：1、客观评估（Objective Evaluation）：通过标准化的数值指标，评估智能体在特定任务中的性能。例如，操作的准确性、任务的成功率以及语义匹配的精准度。这样的评估方法能快速且标准化地衡量智能体的性能；2、主观评估（Subjective Evaluation）：基于人类用户的主观感受，评估智能体的输出质量，包括其相关性、自然性、连贯性和整体效果。越来越多的研究也利用(M)LLM-as-Judge来进行评估，从而提高效率和一致性。
• 评估指标（Evaluation Metric） ：评估指标聚焦于 OS Agents 的理解、规划和操作能力，衡量其在不同任务中的表现。主要包括以下两个方面：1、步骤级指标：评估智能体在每一步操作中的准确性，如任务执行中动作的语义匹配程度、操作准确性等；2、任务级指标：聚焦于整个任务完成情况，包括任务的成功率和完成任务的效率。

4.2 评估基准 (Evaluation Benchmark)

为了全面评估 OS Agents 的性能，研究者开发了多种评估基准，涵盖不同平台、环境设置和任务类别。这些基准测试为衡量智能体的跨平台适应性、动态任务执行能力提供了科学依据。

• 评估平台（Evaluation Platform） ：评估平台构建了集成的评估环境，不同平台具有独特的挑战和评估重点，我们将其主要分为三类：移动平台（Mobile）、桌面平台（Desktop）与网页平台（Web）。
• 基准设置（Benchmark Setting） ：该部分将 OS Agents 的评估环境分为两大类：静态（Static）环境和交互式（Interactive）环境，并进一步将交互式环境细分为模拟（Simulated）环境和真实世界（Real-World）环境。静态环境适用于基础任务的离线评估，而交互式环境（尤其是真实世界环境）更能全面测试OS Agents在复杂动态场景中的实际能力。真实世界环境强调泛化能力和动态适应性，是未来评估的重要方向。
• 任务（Task） ：为了全面评估OS Agents的能力，当前的基准测试整合了各种专业化任务，涵盖从系统级任务（如安装和卸载应用程序）到日常应用任务（如发送电子邮件和在线购物）。主要可以分为以下三类：1、GUI 定位（GUI Grounding）：评估OS Agents将指令转换为屏幕界面操作的能力，即如何在操作系统中与指定的可操作元素交互；2、信息处理（Information Processing）：评估OS Agents高效处理和总结信息的能力，尤其在动态和复杂环境中，从大量数据中提取有用信息；3、智能体任务（Agentic Tasks）：评估OS Agents的核心能力，如规划和执行复杂任务的能力。这类任务为智能体提供目标或指令，要求其在没有显式指导的情况下完成任务。