这项由卡内基梅隆大学计算机科学学院完成的研究，以预印本形式于2026年6月对外公布。论文编号为arXiv:2606.01533，对此话题感兴趣的读者，可凭此编号在arXiv平台查阅完整论文全文。

不妨构想这样一个场景：你是一位公司老板，团队中仅有一名员工。每天你交给他一份任务清单，他必须按部就班地执行到底，中途既无法寻求帮助，也不能回头修改既定计划。结果，当第三项任务陷入僵局时，整个工作流瞬间停滞。这，恰恰是当前绝大多数电脑操作智能体（Computer Use Agent，简称CUA）的真实困境——它们就像一位孤独的职员，接到任务后只能机械地顺序推进，既没有分工协作，也无法并行处理，一旦遭遇问题便只能原地踏步。

什么是CUA？简单来说，它就是能够替代人类操作电脑图形界面的AI助手——帮你填写网页表单、启动应用程序、点击按钮，甚至完成一整套办公自动化流程。近年来，随着大语言模型技术的飞速发展，这类工具日趋成熟。GPT-5.4、Claude Opus 4.6等前沿模型在标准评测中的表现，已超越普通人类水平。

然而，卡内基梅隆大学的研究团队发现了一个根本性缺陷：这些能力出众的智能体，本质上仍是“单人运动员”，一旦面对复杂且需要长时间连续作业的任务，很快就会力不从心。他们的解决方案是——多智能体电脑使用系统（Multi-Agent Computer Use，简称MACU），通过一个“经理”AI统筹协调多个“员工”AI协同作战，从而破解单打独斗难以应对的复杂难题。

单个智能体为何失败：三大关键局限性

要理解MACU的价值，首先需要明确单个CUA究竟在哪些环节栽了跟头。

第一个局限性是缺乏分工能力。将“调查五家餐厅的评分并整理成表格”这样的任务交给单个智能体时，它只能逐家查询，查完一家再查下一家。这就像你一个人拿着购物清单，在超市里来回穿梭，逐一核对每排货架上的商品。如果五家餐厅的信息可以同步搜集，理论上效率可提升五倍，但单一智能体无法同时开启五个浏览器窗口，派出五个“分身”并行处理。

第二个局限性是无法有效回头修正。现实中的电脑操作环境具有“部分可观测”特性——也就是说，智能体在某一时刻能获取的信息非常有限。一旦完成某个子任务并关闭相关页面，那些信息便彻底消失。后续任务可能需要那些已丢失的信息，但智能体却无法回溯获取。这就像你出门买菜时没记下超市的促销价格，回家发现需要货比三家，却已失去参照依据。

第三个局限性是长序列任务中的累积错误。执行步骤越多，出错概率就越高。单一智能体在处理动辄数十步甚至上百步的复杂任务时，任何一步的判断失误都可能导致全局失败，而且它通常缺乏自我发现问题并纠正方向的机制。

MACU的核心设计：用“项目图”取代“任务清单”

MACU的核心创新在于引入了一种名为有向无环图（Directed Acyclic Graph，简称DAG）的任务组织架构。这个术语听起来很学术，但本质上就是一张“工程进度图”，与建筑工地的施工计划图异曲同工。

在这张图中，每个节点代表一个子任务，节点之间的箭头表示依赖关系——只有前置任务完成后，后续任务才能启动。就像盖房子时，必须先打好地基，才能砌墙，砌完墙才能安装窗户；但刷内墙和铺地板可以同步进行。MACU的“经理”AI（Manager）负责将大任务分解成这样的依赖关系图，然后让多个“员工”AI（Subagent）并行处理那些没有前置依赖的节点——也就是“当前可以立即开工的任务”。

关键在于，这张任务图并非一成不变。每当一个子任务完成时，经理AI会收到员工AI提交的汇报——包括文字描述和截图，然后根据最新信息决定是否调整后续行动计划。它可以添加新的子任务、取消多余的任务、修改待执行的指令，甚至强制终止一个陷入死循环的任务。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），这才是MACU超越传统单一智能体的核心所在。

在技术实现上，每个员工AI运行在独立的虚拟机上，彼此完全隔离，就像公司里每位员工都拥有独立的办公桌和电脑。子任务完成后，经理AI会检查该员工虚拟机上的文件变动情况，决定哪些新生成的文件值得保留，供后续任务使用。当下游子任务需要继承上游任务留下的电脑状态时（例如在上一环节打开的网页上继续操作），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，而非重新开始。

实验设计：四个难度各异的测试场景

研究团队在四个基准测试集上对MACU进行了系统评估，每个测试集侧重点不同，相当于为系统设置了从简单到复杂的四重考验。

第一个测试场景OSWorld，包含369个在Ubuntu系统上执行的桌面任务，涵盖各类原生应用及跨应用工作流。评分方式非常严格——程序会自动检查任务是否真正完成，例如文件是否被正确修改、系统设置是否生效等。

第二个测试场景Online-Mind2Web，包含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担任裁判，判断智能体是否成功完成任务。

第三个测试场景WebTailBench-v2，总计609个任务，专门设计用来覆盖那些在其他测试集中被忽略的“长尾”场景，包括多步骤操作和跨网站任务。

第四个测试场景Odysseys，也是难度最高的挑战，包含200个从真实用户浏览行为中提炼出的长程网页导航任务。每个任务都配有细化的评分标准，不仅记录任务是否完成，还记录满足了多大比例的关键要求。这些任务通常需要同时查询多个网站、处理大量信息并做出复杂判断，是最贴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的基础模型，Claude Opus 4.6作为经理AI，同时还测试了用Qwen3.6-27B同时担任经理和员工角色的情况。系统被配置为最多同时运行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）。

成绩单：从微小进步到显著突破

实验结果清晰地展示了从单一智能体到多智能体架构的收益，不过不同测试场景下的提升幅度差异较大，背后的原因也值得深入分析。

在OSWorld测试中，单一智能体的成功率为43.8%，MACU将其提升至48.5%，提高了4.7个百分点。同时，每个任务的平均完成时间从26.6分钟缩短至21.4分钟。这个提升幅度相对温和，原因在于OSWorld的任务大多针对单个应用的操作，天然适合“单兵作战”，并行化的空间十分有限。

Online-Mind2Web上的提升同样稳健但不算惊艳，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：任务完成时间反而从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，并行化无法发挥作用。相反，经理AI每次分析汇报、更新计划图都需要额外的时间，导致整体速度更慢。这说明多智能体框架并非“万能钥匙”，对于本质线性的任务，其优势会被管理开销所抵消。

真正令人眼前一亮的是后两个测试场景。WebTailBench-v2上，成功率从20.8%跃升至29.5%，增幅达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上的变化则更为戏剧性：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分钟缩短至110分钟，速度提升约1.47倍。这两个测试场景的任务正是那种需要同时查询多个来源、并行收集信息的类型，MACU的并行能力在此得到了充分体现。

规划预算与并行度：参数调优的最佳实践

研究团队还通过消融实验深入探索了MACU各项设计参数的影响，得出了一些极具实践价值的结论。

关于重规划预算（即经理AI可修改任务图的最大次数），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。预算为0时（完全禁止修改，任务图固定不变），成功率仅为25.0%。将预算调整为1（允许生成初始任务图，但之后不能再改），成功率仅微升至27.8%，改善几乎可以忽略不计。一旦预算提升到5，允许在任务执行过程中随时调整计划，成功率跃升至47.2%；预算设为10时，成功率更是达到了58.3%。这组数据清晰地表明，“动态调整计划”的能力才是MACU的核心价值所在，而不仅仅是“将任务拆解为多个子任务”。将任务图固定死的MACU，与能够持续修正的MACU之间，性能差距可谓天壤之别。

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。最大并行数为1时（本质上相当于单一智能体加上规划框架），中位完成时间为25.4分钟，成功率53.3%，平均满足指标比例为76.4%。将并行数提升到2后，时间降至13.1分钟，速度提升约1.9倍；提升到4时，时间进一步降至7.9分钟，速度提升约3.2倍，同时成功率也提升至60.4%，满足指标比例提升至85.8%。显然，更强的并行能力不仅能加快速度，还能真正帮助系统完成更多任务——并行搜索本身就是一种更高效的策略覆盖方式。

经理AI的能力有多重要

研究团队还固定了员工AI（始终使用Qwen3.5-4B这个小模型），通过替换不同的经理AI来评估经理能力对整体系统的影响。结论非常明确：经理越聪明，整个系统的表现就越好，且差距相当显著。

以没有任何经理的单一智能体作为基准，其成功率为25.0%。加入经理后，使用Gemini 3.1 Flash Lite（轻量级模型）作为经理，成功率提升至36.1%；使用Kimi K2.6或Qwen3.6-27B作为经理，成功率达到41.7%；Gemini 3.1 Pro Preview同样为41.7%；GPT-5.4达到44.4%；Claude Sonnet 4.6达到52.8%；而使用Claude Opus 4.6作为经理时，成功率高达58.3%，相比没有经理的基准水平翻了一倍多。

这个实验揭示了一个重要含义：MACU带来的性能提升，并不仅仅是由于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不可替代的价值。研究团队通过另一组实验进一步验证了这一点：即使经理和员工都使用同一个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简单归结为“使用了更好的模型”。

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，研究团队归纳出几种反复出现的典型结构，就像不同类型工程项目都有标准施工方案一样。

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，经理收到报告后生成最终摘要。这种结构适合只需要一个智能体顺序执行的任务，例如“将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，这个名称来源于数据处理领域，但用在此处非常贴切。就像一家超市需要盘点所有货架的库存，可以先让每位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）。例如“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，等五份信息都返回后再进行合并整理。

“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，就像施工计划中某个供应商断货后紧急寻找备用供应商。例如在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。例如某个网页总是加载超时，经理就会不断派出新的员工采用不同策略重试，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测试场景中任务图的规模变化。任务开始时，OSWorld任务图平均有2.3个节点，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，且初始图就是最大的。需要至少进行一次动态修改的任务比例在各测试场景中也有所不同：OSWorld为45.7%，Online-Mind2Web为68.0%，WebTailBench为73.5%，Odysseys为74.5%。任务越复杂，运行时动态调整计划的必要性就越高。

MACU如何应对“已消失的信息”

前面提到，电脑操作环境具有“部分可观测”特性——很多信息一旦错过就再也无法找回。这正是MACU在系统设计上着力解决的关键问题。

研究团队的解决方案是：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，后续任务的指令中已经包含了所需的具体数字、URL或其他关键细节，员工AI无需重新查找即可直接使用。

此外，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上。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，无需重新整理。

与其他策略相比，MACU的优势有多大

研究团队还特别测试了一种名为“pass@k”的对照策略：让单一智能体独立运行8次，一旦遇到成功就停止，最后统计8次机会中的成功次数。这个策略在真实应用中并不实用（因为需要知道哪次成功了才能停止，但通常无人能实时判断），不过对于分析MACU的能力而言，这是一个有趣的参考。

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，在同样的算力投入下，MACU通过有策略地分配任务和动态调整计划，效果比盲目重试八次更好。当步数进一步增加到200步以上时，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趋于平缓，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计算资源来解决更多任务。这意味着随着未来算力的增长，MACU有望持续受益，而单一智能体则会更快触及性能天花板。

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测试中，简单任务的成功率从22.2%跃升至82.2%，中等难度任务从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”类任务从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全套工具的操作任务——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%），这进一步印证了一个规律：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的优势就越明显；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。

系统仍存在哪些局限

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

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，完整运行四个基准测试的API费用合计约651美元。对于本质上是串行的任务（如Online-Mind2Web），MACU不仅未节省时间，反而增加了开销，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，这些都显著增加了工程复杂度。随着系统规模扩大，如何有效管理这些资源将是一个实际挑战。

第三，评估基准本身也存在局限——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。

总而言之，MACU这项研究的意义，类似于将一名孤独的高手变成一支分工明确的团队。单独的智能体再强大，在面对“同时查询五家餐厅、对比三个网站价格、重试失败操作”等任务时，都会显得力不从心；而一个能够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，却能将同样的计算资源运用得更聪明、走得更远。

研究结果也清晰地回答了“什么样的任务值得采用多智能体框架”：任务越复杂、越需要并行信息收集、运行时间越长，MACU的优势就越突出。对于简单的线性任务，引入多智能体框架反而可能增添麻烦。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”：什么时候单兵作战，什么时候召唤团队。

当然，从实验室中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。我建议对本领域感兴趣的读者，通过arXiv编号2606.01533查找完整论文，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如何在执行过程中动态演变的。

常见问题解答

Q1：MACU与普通的AI智能体有何不同？

A：普通CUA是单个AI从头到尾串行执行任务，而MACU则是由一个“经理”AI协调多个“员工”AI并行工作。经理AI会将任务分解成具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。这是两种完全不同的工作方式。

Q2：MACU在所有任务上都比单个智能体表现更好吗？

A：并非如此。研究发现，对于天然串行的任务（例如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，任务完成时间反而更长，因为管理开销超过了并行化带来的收益。MACU的优势主要体现在可以并行拆分的复杂长程任务上，例如同时查询多个网站、对比多个来源的信息。

Q3：MACU使用了哪些模型？

A：在主要实验中，研究团队使用Qwen3.6-27B作为所有员工AI的基础模型，使用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，结果发现经理模型越强大，整体系统表现就越好，其中Opus 4.6的效果最佳。