近日，國內領先的人工智能大模型公司面壁智能又放大招，聯合清華大學 NLP 實驗室共同研發并推出大模型「超級英雄」——XAgent。

通過任務測試，XAgent 在真實復雜任務的處理能力已全面超越 AutoGPT。

• 現已在 GitHub 正式開源，地址 https://github.com/OpenBMB/XAgent
• 案例展示地址：https://x-agent.net/
• 博客地址：https://blog.x-agent.net

XAgent 何許「人」也？

XAgent 是一個可以實現自主解決復雜任務的全新 AI 智能體，以 LLM 為核心，能夠理解人類指令、制定復雜計劃并自主采取行動。

傳統智能體通常受到人類定制規則的限制，只能在限定范圍內解決問題。它們更像是為人類所用的「工具」，而不是真正的「自主智能體」，難以自主解決復雜問題。

相反，XAgent 被賦予了自主規劃和決策的能力，使它能夠獨立運行，發現新的策略和解決方案，不受人類預設的束縛。

它的能力已全面超越 AutoGPT，在眾多場景任務上展示出了驚人的自主性和復雜任務的求解能力，將 AI 智能體的智能水平提升到了一個全新高度。

那么問題又來了：它是如何實現的呢？

「左右腦」協同，雙循環機制

正如人類具備「左腦」 和「右腦」，在處理復雜任務時通常從「 宏觀」和「微觀」 兩個視角進行考慮，既要針對全局進行統籌和規劃，也要從執行層面來考量。

相較于 AutoGPT，面壁智能和清華大學在 XAgent 的設計中創新地引入了一種「雙循環機制」：

• 外循環：負責全局任務規劃，將復雜任務分解為可操作的簡單任務。
• 內循環：負責局部任務執行，專注于細節。

通過雙循環機制的協作，XAgent 如同大模型領域的「超級英雄」，它在應對復雜任務的不同環節時，展現出超強的專業度和豐富的技能。

就像漫威宇宙中的「美隊」，XAgent 既有全局觀的領導力，也有細致入微的執行力。

在外循環中，XAgent 展現出作為一個「規劃」（PlanAgent）的領導力，它會把復雜任務拆分成若干簡單任務，并監督問題解決的完整過程。

首先，它將給定的復雜任務分解成更小、更易管理的「子任務」，生成「初始規劃」，形成任務序列。

隨后，它將逐次把每個子任務傳遞給內循環解決。在這個過程中，外循環會不斷監督任務的進度和狀態，并根據反饋對后續規劃進行「迭代優化」。

在內循環中，XAgent 快速轉變身份，展現出作為一個高效「執行者」（ToolAgent）的專業度，確保外循環傳遞的子任務達到預期。

根據子任務性質的不同，它可以從外部系統中檢索工具，并針對子任務進行一步步求解。

在子任務完成后，它將生成當前子任務執行過程的反思，反饋給外循環，指示當前任務是否完成，以及任務執行中的潛在優化點。

如圖所示，用戶給 XAgent 提交了 iris.zip 文件，讓 XAgent 對數據進行分析。

可以看到，XAgent 首先通過外循環將這個任務分解成了 4 個子任務：

1. 對數據進行檢查與理解；
2. 檢查系統的 Python 環境，查看相關數據分析庫是否存在；
3. 編寫數據分析代碼，對數據進行處理與分析；
4. 根據 python 代碼執行結果撰寫分析報告。

隨后，在執行每一個子任務時，XAgent 通過內循環熟練地使用文件讀寫、 shell 命令、python notebook 及相應 pandas、sci-kit learn、seaborn、matplotlib 等數據分析庫，甚至會對數據進行可視化分析。

AutoGPT 在執行相同任務時，并沒有制定檢查 python 環境與相關庫的規劃，而是直接開始寫代碼執行，導致使用相關庫時失敗報錯，最終也沒有完成對數據的復雜分析。

人機協作：智能體交互新范式

雖然 AutoGPT 在一定程度上突破了傳統 GPT 模型的局限性，但它仍然存在死循環、錯誤調用等執行出錯的現象，需要人工干預才能解決。

而 XAgent 在設計之初就針對相關問題進行了考量，并引入了專為增強人機協作的交互機制：它可以自主與用戶進行交互，并向人類發出干預和指導的請求。

對于一個智能體而言，「是否能夠與人類協作」也是體現其智能程度的重要指標。

首先，XAgent 具備直觀的界面，用戶可以直接覆蓋或修改它提出的建議，從而將 AI 效率與人類的直覺和專業知識有效結合。

其次，在面臨陌生挑戰的情況下，XAgent 具備「向人類尋求幫助」能力，它會向用戶征求實時反饋、建議或指導，確保即使在不確定的領域，智能體也能發揮出最佳作用。

圖片

這種交互范式，將 AI 的自主性與人類的智慧有機融合，展示了人與 XAgent 之間的全新的協作關系。

如圖所示，用戶想讓 XAgent 幫忙推薦一些好吃的餐館來和朋友聚會，但是卻沒有提供具體詳細的信息。

這個時候 XAgent 可以意識到目前用戶所提供的信息不夠充足，難以進行推薦，于是向人類提出請求，詢問用戶的傾向地點、預算范圍、口味喜好、有哪些忌口等等，在得到用戶的反饋后從而提供了推薦的餐廳。

而 AutoGPT 則直接開始到網絡上搜索餐館信息進行推薦，最終推薦的結果地點不對，也沒有考慮用戶的預算，沒有符合用戶的需求。

高效通信語言，超強工具調用

無論「雙循環」的運轉機制，還是「人機協作」 的交互能力，在 XAgent 的總體設計中，面壁智能和清華團隊著重考慮的是智能體的穩定、高效和安全等核心特性。

而結構化的通信方式同樣是建立強大、穩定智能體的重要因素之一。

XAgent 采用 Function Call 作為其內部的通信語言，具備結構化、標準化、統一化等優勢。

• 結構化：Function Call 具備清晰且嚴謹的格式，可以明確表述所需內容，從而最小化了潛在的錯誤。
• 標準化：Function Call 可以將與外部工具的交互過程標準化，提供一種通用語言，使智能體具備使用和整合多種工具的能力，解決復雜任務。
• 統一化：通過將信息摘要、任務規劃、工具執行等所有環節轉化為特定的 Function Call 形式，確保每個環節均以統一的方式進行處理，從而簡化系統設計。

此外，工具調用也是評價 AI Agent 是否具備解決復雜問題的重要能力之一。

XAgent 在設計中原創了工具執行引擎 ToolServer，可以實現更安全、高效、可擴展的工具執行能力。

它在隔離的 Docker 環境中運行，確保工具執行不會危及主系統的穩定性或安全性。

這種設計帶來多重好處：

• 安全：在 Docker 容器內運行工具可以保護主系統免受潛在危害。
• 高效：系統可以根據需求和使用模式啟動、停止和重啟節點，實現最佳資源使用。
• 可擴展：方便管理代碼，調試和擴展性更強。

ToolServer 的關鍵組件包括：ToolServerNode、ToolServerMonitor、ToolServerManager，在執行操作、節點檢查、周期管理等方面提供強大的能力。

目前，XAgent 的 ToolSever 支持 FileSystemEnv、PythonNotoBook、WebEnv、ExecuteShell、RapidAPIEnv、AskHumanforHelp 等多種工具。

XAgent 不僅可以幫我們做一些簡單的任務，它甚至可以幫助我們訓練模型。

比如，用戶希望能夠對電影評論進行分析，判斷一下大眾對電影評價的好壞。這個時候 XAgent 會首先下載 imdb 數據集去訓練一個 BERT 模型，并使用訓練好的 BERT 模型對電影評論進行預測。

釋放大模型潛力，全面超越 AutoGPT

經過在一系列任務中的測試可以看到（如下圖 a、b 所示），基于 GPT-4 的 XAgent 表現效果在所有基準測試中都超過了原始的 GPT-4，并全面超越了 AutoGPT。

這些任務需要 Agent 推理規劃和使用外部工具的能力，包括：用搜索引擎回答問題的能力（FreshQA+HotpotQA）、Python 編程能力（MBPP）、數學推理能力（MATH）、交互式編程能力（InterCode）、具身推理能力（ALFWorld）、真實復雜任務等。

圖 a：XAgent 在真實復雜任務處理中全面超越 AutoGPT

圖 b：超越 AutoGPTXAgent 在六大 AI Agent 基準測試中全面領先 GPT-4

可以看出，XAgent 的系統設計能夠充分釋放 GPT-4 的基礎能力，并達到極高的測試效果和人類傾向（Human Preference)。

這不僅表明 XAgent 在需要推理規劃的傳統 AI 測試中表現出色，而且在處理復雜的實際指令時具有更高的性能

拓展應用邊界，堅實技術基礎

AI Agent 的出現讓整個行業看到了大模型技術的重要落地方向，無需進行復雜的 prompt 探索，就可以實現整套工作流的任務執行。

作為具有無限潛能的大模型「超級英雄」，XAgent 可以成為每一個普通的人的「個人助理」。它可以幫助我們規劃日程，安排行程，管理生活和工作的時間和資源分配。

它還可以自主使用多種數據采集、處理和分析工具，全自動地完成對海量數據的分析并形成報告，幫助用戶高效獲取重要信息。

此外，XAgent 還能結合外部工具與自主規劃算法，根據環境信息做出決策，以實現更高效和精確的任務執行。

XAgent 的研發團隊是由來自面壁智能和清華大學 THUNLP 實驗室的多位大模型領域的專家和學者組建。他們更像是大模型領域的「超級英雄」。

這一創新成果之所以能夠成功推出，正是團隊在長期的科研工作過程中構建了一系列前沿創新的大模型 Infra，堅實技術基礎，拓展創新和研發的邊界。

面壁智能聯合清華大學 NLP 實驗室、OpenBMB 開源社區打造了一個「三位一體」 的大模型產學研生態布局，提出并發布了多個大模型工具使用框架和引擎：

• Tool Learning：大模型工具學習范式，將專業工具與大模型的優勢相融合，從而在問題解決方面達到更高的準確性、效率和自主性。
• BMTools：大模型學習引擎，是讓語言模型使用擴展工具的開源倉庫，同時也是開源社區構建和共享工具平臺。
• ToolLLM，大模型工具學習框架，給大模型接入 16000+ 真實 API，讓大模型可以通過調用外部工具以完成更復雜的用戶指令任務。
• WebCPM，中文領域首個支持聯網搜索的模型框架，填補國產大模型該領域的空白，讓大模型能像人類一樣在網頁上實時搜索答案，提高了 AIGC 的實時性和準確性。

XAgent 拓展了 AI 智能體在執行復雜任務中的能力上限，讓我們看到大模型技術融入生產和生活的前沿趨勢和無限潛力。