一句话总结

中国人民大学、复旦大学、北京大学等机构推出 COWORKOS，一种通用、长程的 agent 运行框架，通过三层架构、分层工作区和持久语义记忆，将任务策略与执行管理分离，使人类和 agents 能够检查并修改同一个持续演化的文档、演示文稿、CAD 模型和 Blender 场景。该框架在 12 个基准上表现出与 Codex 和 DeepSeek Harness 的高度竞争力，并以 GLM-5.3 为骨干，对 Qwen3.6-35B-A3B 开展 RSI 驱动的自动化后训练，在五轮训练中把该模型在八个基准上的平均得分从 33.19 提升至 42.95（+9.76）。

核心贡献

• COWORKOS 是一个面向长程人与 agent 协作的通用运行框架，它将任务策略与执行管理分离：模型决定行动、委派和验收，运行时维护状态与反馈。
• 其共享应用层使人类和 agents 能够检查并修改同一个持续演化的文档、演示文稿、CAD 模型和 Blender 场景，而分层工作区和持久语义记忆使工作文件、决策和作业日志可共享、可复用，并可在中断后恢复。
• 在 12 个基准和六类真实世界应用中，COWORKOS 相较于 OpenHands、Codex 和 DeepSeek Harness 取得了有竞争力的表现；在一个 RSI 驱动的后训练案例研究中，它在八个基准上经过五轮训练，把 Qwen3.6-35B-A3B 的平均得分从 33.19 提升到 42.95。

引言

Agent 系统正走向终身自主，运行框架与模型能力同样重要，因为运行框架决定模型如何调用工具、管理状态、解释反馈并利用可用资源。近期 agent 框架已从工作流级推理和工具使用，发展到助手式持久交互，再到与人类在持续演化的工件上协作的 cowork agents。然而，现有系统通常只面向复杂生产力任务或长时间运行的监控与决策，而不是提供一种统一设计，在两类需求中始终让人类保持参与。作者提出 COWORKOS，一个 cowork 运行框架，通过由 Main Agent、Coordinator Runtime 和 Subagents 组成的三层框架，将模型驱动的任务策略与运行时执行管理分离。它还增加了人在环的应用生态，具备共享工件、持久分层工作区、语义记忆和长时间运行的 Jobs，并在通用基准和真实 cowork 场景中接受评估。

方法

作者提出 COWORKOS，一个为长程和人在环任务执行设计的 cowork 运行框架。该框架由三个主要部分组成：分层 agent 运行时架构、面向人与 agent 协作的可扩展应用生态，以及用于持久 agent 工作区的状态管理。

分层 agent 运行时架构通过将权威与执行分离，解决全局一致性与局部执行之间的张力。Main Agent 作为面向用户的界面和总体规划器。在决策步骤 $t$t，它根据 $a _ {t} ^ {\mathrm{M}} \sim \pi_ {\mathrm{M}} \left(\cdot \mid g, h _ {t} ^ {\mathrm{M}}, \mathcal {F} _ {t}\right)$atM​∼πM​(⋅∣g,htM​,Ft​) 选择动作，其中 $g$g 是用户目标，$h _ {t} ^ {\mathrm{M}}$htM​ 是交互历史，$\mathcal {F} _ {t}$Ft​ 包含新可用的反馈。Main Agent 可以将限定范围的工作委派给 Subagents。对于任务分配 $d _ {i}$di​，Subagent 的初始上下文构造为 $c _ {i, 0} = \Phi_ {\mathsf {S}} \left(d _ {i}, b (h _ {t _ {i}} ^ {\mathsf {M}}), \Gamma_ {i}, \mathcal {S} _ {i}\right)$ci,0​=ΦS​(di​,b(hti​M​),Γi​,Si​)，其中提取函数检索有界的近期背景，$\Gamma _ {i}$Γi​ 指定被授予的工具，$S _ {i}$Si​ 是可用技能目录。Coordinator Runtime 作为控制平面边界，在持久程序状态中维护分配和执行状态，状态更新为 $\xi _ {k + 1} = F _ {\mathrm{C}} \left(\xi_ {k}, e _ {k + 1}\right)$ξk+1​=FC​(ξk​,ek+1​)，其中 $e _ {k + 1}$ek+1​ 表示委派请求、执行更新、消息或终止结果。

信息沿层级中的三个方向流动：Main-to-Subagent、Subagent-to-Subagent 和 Subagent-to-Main，表示为通信图 $\mathcal {G} _ {t} = \left(\mathcal {V} _ {t}, \mathcal {E} _ {t} ^ {\mathrm{hier}} \cup \mathcal {E} _ {t} ^ {\mathrm{peer}}\right)$Gt​=(Vt​,Ethier​∪Etpeer​)。工作区暴露选定的引用和已接受的工件，而不授予工作者不受限制的写访问权限。

为支持跨多个应用的长程 coworking，作者围绕通用资源协议构建应用生态。平台管理的资源表示为 $r = (\iota, \kappa, x, \nu)$r=(ι,κ,x,ν)，其中 $\iota$ι 是资源身份，$\kappa$κ 是资源类型，$x$x 是应用拥有的内容，$\nu$ν 是已提交的修订。对于通过领域验证的新操作 $\alpha$α，提交规则定义如下：

其中 $\hat {v}$v^ 是操作的基准修订，$u$u 标识人类或 agent 操作者。原生应用将资源保持在平台控制之下，使直接的人类编辑能够与 agent 动作参与同一个协调循环。agent 的应用上下文包括当前资源和未确认更改：$c _ {t, \mathrm{app}} ^ {a} = \Phi_ {\kappa} \left(r _ {t}, s _ {t}, \Delta_ {\nu_ {a}: \nu_ {t}} ^ {\neg a}\right)$ct,appa​=Φκ​(rt​,st​,Δνa​:νt​¬a​)，其中 $\nu _ {t}$νt​ 是当前修订，$\nu _ {a}$νa​ 是 agent 最后确认的修订，$s_t$st​ 是已保存的选择。

状态管理确保长程 Task 在多次执行之间保留进度。保留的 Task 状态表示为 $z _ {k} = (W _ {k}, P _ {k}, R _ {k})$zk​=(Wk​,Pk​,Rk​)，其中 $W _ {k}$Wk​ 包含工作对象，$P _ {k}$Pk​ 记录进度和证据，$R _ {k}$Rk​ 记录正在进行的执行和待处理反馈。agent 在有界决策上下文中使用持久 Task 状态和可用历史：$c _ {k} = \Phi (g, h _ {k}, z _ {k})$ck​=Φ(g,hk​,zk​)，且 $\text{tokens}(c _ {k}) \leq L$tokens(ck​)≤L。为了在历史增长时重建 Main 的上下文，运行时将持久记忆中的目标与重要决策同当前运行时状态结合。在阶段边界，任务上下文构造为 $c _ {t, \mathrm{task}} ^ {\mathrm{M}} = \Phi_ {\mathrm{ctx}} \left(m _ {T}, \rho_ {T} (t), d _ {T} (t)\right) \oplus h _ {t, \mathrm{recent}} ^ {\mathrm{M}}$ct,taskM​=Φctx​(mT​,ρT​(t),dT​(t))⊕ht,recentM​，其中 $m _ {T}$mT​ 是语义记忆，$\rho _ {T} (t)$ρT​(t) 投影运行时状态，$d _ {T} (t)$dT​(t) 总结已记录的实验。工作区将工作对象与进度记录保留在一起，agent 工作材料、Run 记录和已发布工件在 Task 下占据不同作用域。

实验

COWORKOS 在涵盖工具使用、生产力、搜索和机器学习编码的十二个基准上接受评估，并与 OpenHands、Codex 和 DeepSeek Harness 进行比较，在多个领域取得最佳结果，整体表现最强。针对真实世界任务的定性实验，包括前端网站、游戏、办公工件、交互式可视化、CAD 和 Blender 渲染，表明 COWORKOS 产出更清晰的分组、更丰富的细节和更易读的交互式交付物。在 AI 自动化后训练实验中，COWORKOS 使用 GLM-5.3 指导针对 Qwen 模型的五轮反馈驱动训练，将平均基准得分从 33.19 提高到 42.95，展示了持续的长程模型改进。

COWORKOS 在每个领域平均得分中均位列前两名运行框架，在生产力与机器学习编码平均得分上领先，并在工具使用与搜索上与领先者接近。它在 SkillsBench、JobBench、WideSearch 以及两个机器学习编码基准上取得最佳分数，表明其在工具执行、知识工作、信息检索和机器学习实验中具有广泛优势。总体而言，COWORKOS 在该基准集的被评估运行框架中表现最强。

COWORKOS 在每个领域平均得分中均位列前两名运行框架，在生产力与机器学习编码上平均得分最高，并在 SkillsBench、JobBench、WideSearch 以及两个机器学习编码基准上取得最佳分数。它在工具使用上与 DeepSeek Harness 接近，在搜索上与 OpenHands 接近，同时领先 JobBench，并在 Harvey Legal Agent Bench、WorkspaceBench-Lite 和 GDPVal 上位列前两名。这些结果表明其在工具执行、知识工作、信息检索和机器学习实验中具有广泛优势，使 COWORKOS 成为该基准集中整体表现最强的运行框架。