CoworkOS:Scaling Agent Coworkers for Real-world Automation

CoworkOS 是一个协作智能体执行框架，将模型选择的任务策略与运行时执行管理分离，并支持跨基准、真实应用和自动化后训练的长时程、人在回路工作。

协作智能体必须在复杂生产力任务上交付高质量产物，同时还要在长时程中持续监控并做出决策，论文将这种组合称为开放挑战。论文认为，当今的协作智能体既需要复杂生产力任务能力，也需要在人在回路下持续监控与决策。它提出的问题是：单个协作智能体能否在保持人在回路的同时兼顾两者。

CoworkOS 划分职责：由模型决定动作、委派和验收，而运行时维护状态与反馈。它采用三层运行时：Main Agent、Coordinator Runtime 和可选 Subagents；Main 负责规划与审查，Coordinator 负责调度与监控，Subagents 执行有界任务。共享应用层让人类与智能体检查和修改同一批文档、演示文稿、CAD 模型和 Blender 场景，并通过资源协议基于基础修订版本提交编辑，对过期提案返回冲突。分层工作区和持久语义记忆使工作文件、决策和长时间运行的 Job 日志可共享、可恢复。在 RSI 案例研究中，CoworkOS 使用 GLM-5.3 作为主干，在 Qwen3.6-35B-A3B 上进行自动化后训练。

• 在四个领域的 12 个基准上，CoworkOS 在每个领域平均值中均位列前二，其中 Productivity 为 57.54、ML Coding 为 56.26、Tool Use 为 55.22、Search 为 82.14。 §4.1.2
• CoworkOS 在 SkillsBench、JobBench、WideSearch、MLE-Bench-Lite 和 MLS-Bench 上取得最佳结果。 §4.1.2
• 在 RSI 后训练研究中，八个基准的平均分从 33.19 提升到 42.95，提升 9.76。 §4.3.3
• 最终 RSI 模型在八个基准中的七个上超过初始基线，并在六个基准上（含并列）取得六轮中的最高分。 §4.3.3
• 任务级 RSI 增益包括：相对 R0，Automation 提升 33.15 分，SkillsBench 提升 14.91 分；BFCL v4 从 R4 到 R5 提升 9.07。 §4.3.3
• 定性比较覆盖六个类别中的 24 个案例和 72 个产物。 §A.2

• 论文指出，RSI 增益因任务而异：GDPVal 和 JobBench 总体波动，最佳表现轮次因任务而不同。
• 论文指出，每轮 RSI 变化描述的是并发干预而非孤立因果效应，且轮次索引不代表实际经过时间。
• 对于直接控制外部软件的 MCP 集成，论文指出应用保留其自身的文档、保存和并发语义，平台不声称提供外部应用未暴露的保证。
• 定性类别分析被说明为基于检查最终交付物所得的代表性观察，而非作为定量产物质量分数报告。

• CoworkOS 将任务策略与执行管理分离：由模型决定动作、委派和验收，而运行时维护状态与反馈。 §Abstract
• Main 是面向用户的接口以及总体规划者、管理者和执行者，并自主调用 Subagents 进行并行处理或独立任务处理。 §3.1.1
• 通信通过三条有向路径进行：Main 到 Subagent、Subagent 到 Subagent，以及 Subagent 到 Main。 §3.1.2
• 资源协议将身份和修订版本视为一等要素，仅当编辑的基础修订版本匹配时才提交；否则返回冲突，人类与智能体的编辑遵循同一规则。 §3.2.1
• 在原生应用中，人类编辑与智能体动作进入同一协调循环，智能体上下文包含当前资源和其他参与者未确认的变更，但不包含自身编辑。 §3.2.2
• MCP 集成保留现有应用的所有权和接口，而浏览器与桌面交互被描述为一种正交交互模式，而非第三种资源协议。 §3.2.3
• 智能体工作区跨 Run 持久化，每个 Run 保留自身的事件、检查点和结果，Subagents 将可复用输出放入交付区供 Main 审查。 §3.3.2
• 自动化后训练结合复杂交付与持续监督：CoworkOS 分析模型弱点、优化数据流水线、合成并验证后训练数据、将其送入训练，并迭代闭环。 §4.3.1