CoworkOS：面向现实自动化的可扩展智能体同事框架
🧭 通用 Agent 运行时与多智能体协作 ★ 深度解读
Renmin University of China · Fudan University
提出三层架构（Main、Coordinator、Subagents）的通用长时程智能体运行时，支持人机共享工件与持久状态，多个基准上超越主流框架
📌 工作参考价值（4 点）
- 职责分离与异步委派：借鉴 Main-Agent 保留全局上下文、Subagents 隔离执行长任务，通过 Coordinator 的 durable queue/inbox 实现同步/异步委派，避免长上下文爆炸；可用于搜索推荐多 Agent 系统中的深度调研、批量数据分析、实验监控。
- 持久工作区与语义记忆：用 memory.md、task.json、checkpoint 记录目标、决策和未完成任务，支持跨会话恢复和上下文重建；适合电商推荐中跨天 AB 测试跟踪、策略迭代和模型训练监控。
- 共享应用资源与版本控制：人类和 Agent 通过 revision protocol 直接编辑同一 artifact（如 query 规则表、策略配置），冲突检测保证可审计；可用于人工修正搜索 query 模板或推荐策略，让专家反馈直达工作产物。
- 后台 Jobs 与监测机制：长时间训练/构建作为持久 Job，保留日志和状态，模型空闲时可唤醒；可迁移到推荐模型训练流水线、特征工程任务的状态管理，减少重复启动成本。
任务状态治理：一种可验证、可恢复的 GUI 代理执行虚拟机
🧭 GUI Agent 状态治理与恢复
SAIS, University of Chinese Academy of Sciences · Institute of Automation, Chinese Academy of Sciences · Meituan · Peking University · Institute of Software, Chinese Academy of Sciences
提出 TaskVM，将 GUI 任务建模为可编辑契约，实现可验证与可恢复的代理执行
📌 工作参考价值（4 点）
- 将任务建模成 Desired / Preserve / Observed 三栏契约：在电商运营、广告投放等 Agent 流程中，允许用户编辑期望结果与“必须保持不变”的字段，减少执行漂移带来的失控。
- 对每个 Agent 动作预标记 reversible / compensatable / irreversible：尤其适用于改价、发券、调整预算等高风险操作，便于在执行前评估恢复成本，提供回滚或补偿机制。
- 采用独立 verifier，只依赖 fresh visible observation 验证目标是否满足，不信任 Agent 自身回报；可迁移到生成式推荐/Agent pipeline 的结果验证，例如页面元素是否出现、按钮状态是否改变。
- 将用户编辑写回真实 GUI 操作：在自研自动化平台中实现可编辑控件与真实界面动作绑定，让业务人员直接修改任务参数后自动执行，提升控制感和信任感。
OmegaUse-SOP：基于人类演示的专业计算机使用SOP工程
🧭 GUI Agent 技能工程化
Baidu, Inc. · Ningxia Electric Power Engineering Co., Ltd.
提出SOP Engineering系统OmegaUse-SOP，将人类专业软件操作演示转化为可复用GUI Agent技能，提升专业SOP任务可靠性
📌 工作参考价值（4 点）
- 对电商运营自动化（如自动操作广告投放后台、商家后台、ERP）的Agent，可借鉴Observe-Reason-Configure-Execute四阶段：先录制人类专家操作轨迹，再抽象成语义级步骤，配置领域规则，最后执行时逐步grounding+验证，而不是让LLM一次生成全部操作，能显著提高可靠性。
- 将SOP与Agent分离，类比prompt engineering，把“专业技能”作为可迭代资产：每次执行失败或人工修正后，回流更新演示和规则，形成企业专属的Agent技能库，类似推荐系统中的用户行为反馈闭环。
- 步骤级验证（step-wise verification）思路可迁移到多步Agent任务中，例如在电商选品、广告调价等流程中，每一步生成后由规则或轻量模型校验中间状态，避免错误累积导致任务失败。
- 多模态轨迹（截图+事件流）可作为训练/微调数据，尤其适合缺乏API的专业软件场景；在电商内部工具中，若某些操作只能通过GUI完成，此方法可低成本积累领域专家知识。
EurekAgent：环境工程是实现自主科学发现的核心
🧭 Agent环境工程 · 自主科学发现
Tsinghua University · Zhipu AI
通过环境工程（权限、制品、预算、人机交互）引导Agent自主科学发现，以极低成本在26圆堆积等任务创下新SOTA。
📌 工作参考价值（4 点）
- 权限隔离与沙箱：在电商推荐Agent中，可借鉴权限工程，将Agent的探索行为限制在沙箱环境中，防止直接操作线上评估或污染训练数据，实现安全试错。
- 制品版本管理：利用基于Git的制品工程管理Agent生成的实验配置、模型检查点或Semantic ID映射表，实现可追溯、可回滚的迭代，提升团队协作效率。
- 成本预算控制：为Agent设定API调用预算或时间预算，避免在自动调参、query改写生成等任务中产生过高推理成本。EurekAgent用<11美元发现SOTA，证明预算能激发高效探索。
- 轻量人机交互：设计便捷的人类监督接口，让领域专家在关键决策点（如新推荐策略上线前）快速审核或修正，在Agent自动化与人工控制间取得平衡。
利用反射代理将专家编辑传播到组合知识库
🧭 知识库构建 · 反射式传播编辑
Bosch Research North America · Robert Bosch GmbH
RAID 系统通过意图推理和反思式规划，将单条专家修正自动传播到全部知识条目，实现规模化知识库维护
📌 工作参考价值（4 点）
- 电商后台商品知识库维护：当专家修正一条属性描述（如规格、材质）时，可自动识别隐含意图并传播修正到所有相关商品条目，减少重复审核。
- 多模态/预标注数据清洗：在 Agent 辅助标注流程中，利用反思式规划将标注人员的单次修正规则泛化，批量修正相似错误，提升数据迭代效率。
- 客服系统 FAQ 库更新：将人工对一条 FAQ 的修正意图（如更新政策）传播到所有相关文档，保持知识一致性，降低运维成本。
- 人机协同的 Agent 设计范式：借鉴“意图推理 → 反思计划 → 用户确认执行”的三步结构，在推荐解释生成、风险文案修正等场景中平衡自动化与专家控制。
Agentic AI 与人机回圈干预：阿里巴巴客服运营的现场实验证据
🧭 Agent ★ 深度解读
Zhejiang University · Fudan University · Dartmouth College · Alibaba Group Inc.
揭示 agentic AI 客服中人工干预效果取决于失败类型与时机，早期介入和整合角色设计更优