隨著大型語言模型(LLM)的迅猛發展，單一智能體在應對復雜現實任務時顯露出諸多局限。為了解決這個問題，香港大學與 camel-ai 等多家機構聯合推出了一種名為 Workforce 的全新多智能體框架，并配套了一種名為 OWL(Optimized Workforce Learning)的訓練方法。最近，這一創新成果在權威基準測試 GAIA 上獲得了69.70% 的準確率，不僅刷新了開源系統的記錄，還超越了 OpenAI Deep Research 等多家商業系統。

　　這一研究成果的所有代碼已在 GitHub 上開源，當前已獲得超過17，000個 Star 的點贊，標志著社區對這一創新的認可。

　　那么，Workforce 框架是如何突破多智能體系統的局限性的呢?其核心在于創新的 “解耦設計”�？蚣軐⒄麄�系統拆分為三個關鍵組成部分:領域無關的規劃器(Planner Agent)、智能協調器(Coordinator Agent)和專業工作節點(Worker Nodes)。這種設計不僅提升了系統的靈活性，還顯著降低了跨領域遷移的復雜性。尤其是在需要適應新領域時，用戶只需替換或添加工作節點，而不必對核心系統進行全面修改。

　　OWL 訓練方法則是這一框架的另一大亮點。該方法采用了兩階段的訓練策略，第一階段是監督微調，通過專家演示數據對規劃器進行初步訓練;第二階段則是強化學習優化，通過直接偏好優化(DPO)算法進一步提升決策能力。這一系列優化確保了規劃器能夠處理現實世界中的多樣化任務。

　　在 GAIA 基準測試中，Workforce 框架展示了其顯著的優勢，尤其是在多智能體推理方面，達到了69.70% 的準確率，遠超以往的開源系統。同時，OWL 訓練方法也在測試中取得了顯著成果，提升了 Qwen2.5-32B-Instruct 模型的性能。這一突破使得多智能體系統在處理復雜任務時，不再受限于以往的設計思路，展現出強大的自我糾錯和進化能力。