人工智能正迎來前所未有的變革，其中，大語言模型（LLM）的崛起推動了智能系統(tǒng)從信息處理向自主交互邁進。
以 DeepSeek 為代表的 LLM，憑借強大的語言理解與推理能力，在文本創(chuàng)作、編程輔助、復雜任務規(guī)劃等領域展現出卓越表現。
然而，LLM 的潛力遠不止于文本生成，它們正在塑造一種全新的智能體形態(tài) ——GUI 代理（GUI Agents）。這類智能體不僅能理解指令，還能像人類一樣直接操作計算機和手機，擺脫對預設規(guī)則或 API 的依賴，帶來更自然、高效的交互方式，使 AI 真正融入軟件生態(tài)，成為智能操作系統(tǒng)的一部分。
問題在于，目前的 LLM 代理雖然具備強大的推理能力，卻在任務執(zhí)行效率上存在明顯瓶頸。
為了解決這個問題，現在，西湖大學 AGI 實驗室張馳團隊推出了 AppAgentX—— 一款具備自我進化能力的 GUI 代理。它能夠在不斷執(zhí)行任務的過程中學習并優(yōu)化自身的行為模式，實現更加高效的操作。
AppAgentX 的核心創(chuàng)新在于：
自動歸納高效操作模式：代理能夠在執(zhí)行任務時，檢測重復性操作模式，并自動總結成更高級別的“一鍵”操作。
任務執(zhí)行更快，減少重復計算：傳統(tǒng)的 LLM 代理每次執(zhí)行任務都需要重新思考操作流程，而 AppAgentX 能夠記住并復用執(zhí)行策略，從而避免重復推理，使得任務執(zhí)行更加流暢高效。
完全基于視覺操作，適用于各種軟件：傳統(tǒng)自動化方法通常需要訪問后端 API，而 AppAgentX 僅依賴屏幕視覺信息進行操作，無需后端訪問，因此能夠在不同軟件、不同設備上通用，真正做到“即插即用”。
AppAgentX：讓智能體學會“進化”
過去，計算機的自動化操作主要依賴 RPA（機器人流程自動化），通過預設規(guī)則或 API 進行固定任務的執(zhí)行。然而，這種方式需要大量手動配置，缺乏靈活性。
GUI 代理的出現，改變了這一局面，被譽為軟件世界中的具身智能。
GUI 代理不依賴后端 API，而是像人類一樣，通過屏幕視覺、鼠標和鍵盤直接操作軟件界面。這意味著，智能體可以自主學習如何操作各種應用程序，甚至能夠在不同軟件之間切換，執(zhí)行復雜的跨應用任務。例如：
辦公場景：自動整理文檔、批量發(fā)送郵件
娛樂與創(chuàng)作：使用 Photoshop 處理圖像、生成視頻內容
自動化操作：批量錄入數據、自動處理訂單
跨應用任務：從網頁爬取信息后填入 Excel、在多個軟件之間進行聯動操作
正因如此，GUI 代理被視為智能助手、數字員工、自動化測試等領域的下一代解決方案，但現階段的挑戰(zhàn)也很突出：現有的智能體聰明但不夠高效。
現有的 LLM 代理通常采用逐步推理（Step-by-step Reasoning）的方式，即每次執(zhí)行操作前，模型都要推理下一步動作。例如，在進行網頁搜索時，它可能會這樣決策：
識別需要搜索的信息；
點擊搜索框；
輸入關鍵詞；
點擊搜索按鈕。
這種方式賦予了智能體極強的泛化能力，使其能夠適應新任務場景，但也帶來了執(zhí)行低效、重復計算嚴重的問題。AppAgentX 解決這一痛點的核心思路，是讓智能體學會“進化”。
下面是一個 AppAgentX 執(zhí)行播放音樂的一個例子示意圖，當找到了“一鍵”操作，就不需要每一步都耗費大量時間思考下一步需要做什么，從而快速完成任務。
這里可以看出智能體進化出一個高級操作“搜索”，它取代了一系列低效的低級操作。這種進化避免了重復耗時的逐步推理，顯著提高了代理的效率。
方法介紹
任務軌跡的分解
在執(zhí)行任務時，AppAgentX 會將整個過程分解成多個重疊的三元組（即由三個部分組成的組合）。這些三元組包含了頁面內容和用戶界面（UI）元素的功能描述。具體來說，智能體會：
生成功能描述：利用大語言模型（LLM），為每個頁面和界面元素生成詳細的功能描述。這些描述幫助智能體理解每個部分的作用。
合并重復描述：如果某些頁面的描述是重復生成的，智能體會將這些描述合并，以減少冗余信息。
記錄交互歷史：整個交互過程會被記錄成一個節(jié)點鏈，形成一個完整的操作歷史，便于后續(xù)調用。
進化機制與執(zhí)行過程
在任務執(zhí)行過程中，AppAgentX 還引入了一種進化機制，使得智能體能夠更高效地執(zhí)行操作。這個機制的核心在于生成“捷徑節(jié)點”，允許智能體在執(zhí)行一系列操作時，跳過逐步推理的過程。具體步驟如下：
生成捷徑節(jié)點：當智能體識別到某些操作具有固定的執(zhí)行順序時，它會創(chuàng)建捷徑節(jié)點。這些節(jié)點將多個底層操作整合為一個更高級的動作。
高效執(zhí)行：通過調用這些捷徑節(jié)點，智能體可以快速執(zhí)行一系列操作，而無需逐步推理每一步。這大大提高了任務執(zhí)行的效率。
從實驗結果來看，AppAgentX 從單步的執(zhí)行效率到總體的 API token 消耗，在多個 GUI 交互任務上展現出了顯著的“降本增效”。
總體來說，AppAgentX 作為一項創(chuàng)新的移動終端交互技術，通過構建鏈式知識存儲架構與動態(tài)匹配執(zhí)行機制，在保持大型語言模型代理靈活性的同時顯著提升執(zhí)行效能，實現了無需后端訪問的圖形界面智能操作系統(tǒng)。
該技術突破性地解決了傳統(tǒng)智能體在響應速度與認知能力間的平衡難題，為移動端 AI 應用開辟了新的技術路徑。此項研究不僅標志著智能體技術在效率與智能動態(tài)平衡方面取得重要突破，更為人機交互領域提供了可擴展的技術范式。
Arxiv 地址：https://arxiv.org/abs/2503.02268
本文來自微信公眾號：量子位（ID：QbitAI），作者：西湖大學，原標題《AI 玩手機越玩越 6！西湖大學發(fā)布新智能體：會自我進化的 AppAgentX》
廣告聲明：文內含有的對外跳轉鏈接（包括不限于超鏈接、二維碼、口令等形式），用于傳遞更多信息，節(jié)省甄選時間，結果僅供參考，IT之家所有文章均包含本聲明。