NeurIPS'25港大+CAMEL-AI多智能体OWL：GAIA开源框架1st

两千多年前，罗马军团能横扫地中海，靠的从不是单个士兵的全能，而是“百人队”的模块化分工：前锋探路、重装步兵攻坚、轻装步兵侧翼掩护，每个单元各司其职，却能快速重组适配平原、山地、攻城等不同战场。这与当下AI多智能体系统的困境形成奇妙呼应。我们总在追求“全能超人”式的AI，却发现一个残酷现实：能搞定软件工程的MetaGPT，到了医疗数据分析领域就寸步难行；能优化科研检索的OpenAI Deep Research，面对多模态任务便力不从心。

我们解读最新技术，文末有相关信息。

作者：张长旺，图源：旺知识

这篇来自CAMEL-AI与香港大学等机构的论文，恰恰戳中了这个核心矛盾：AI的“领域壁垒”，本质是架构的“刚性束缚”。而WORKFORCE框架给出的答案，竟与罗马军团的制胜之道不谋而合——用模块化拆解通用能力与专项执行，让AI像军团一样，通过重组“作战单元”适配任何战场。

让我们先回到真实场景。假设你需要一个AI助手完成两项任务：一是分析PDF里的工作申请资格缺失情况，二是检索2016年arXiv上某篇物理社会论文的关键词。

按照传统多智能体思路，你可能需要：

1. 为PDF分析定制一套“文档解析+表格处理”智能体；

2. 为学术检索定制一套“网页爬虫+论文提取”智能体；

3. 当任务变成“分析视频中的产品参数并生成代码”时，又得重新设计架构、全量训练。

这就是现有系统的两大死穴：

• 推理侧：换领域=重构系统，MetaGPT依赖软件工程的标准流程，根本无法迁移到医疗、法律等领域；

• 训练侧：改任务=全量重训，MALT的“生成器-验证器-精炼器”固定流程，任何环节调整都要从头训练所有组件。

更致命的是，这种“定制化”模式让开源AI始终落后于商业系统——商业公司能投入海量资源为每个领域定制模型，而开源社区根本无力跟进。直到WORKFORCE出现，用69.70%的GAIA基准准确率，首次让开源系统超越了OpenAI Deep Research（55.15%）。

WORKFORCE的核心创新，不是发明了新的智能体，而是重新定义了智能体的“协作规则”。它的三层架构，本质是对“通用规划”与“专项执行”的彻底分离：

1. 领域无关的Planner（规划者）：AI的“战略大脑”

Planner不负责任何具体任务执行，只做一件事——把复杂目标拆解成可执行的子任务。比如面对“分析PDF里的工作申请资格缺失情况”，它会拆解为“提取ZIP文件→识别岗位资格→代码分析缺失情况→统计结果”。

关键在于，这个“大脑”是通用的。它不需要知道PDF怎么解析、代码怎么写，只需要理解“目标与子任务的逻辑关系”，就像将军不需要会用每一种武器，只需要懂战略部署。

2. 居中协调的Coordinator（调度员）：AI的“联络中枢”

Coordinator是“任务分配器”，它手里有一份“Worker能力注册表”，知道哪个Worker擅长文档处理、哪个擅长网页检索、哪个擅长代码执行。收到Planner的子任务后，它会精准匹配给最合适的Worker，同时管理任务依赖和中间结果。

这里的巧妙之处在于“共享任务通道”——Worker只需要返回最终结果，不需要直接沟通，避免了智能体之间的“沟通内耗”，就像战场上的调度员通过无线电统一指挥，而非士兵之间互相喊话。

3. 领域专用的Worker（执行者）：AI的“专业工匠”

Worker是高度专精的“工具人”：Web Agent擅长网页检索和浏览器模拟，Document Agent能处理PDF、图片等多模态数据，Reasoning/Coding Agent专攻逻辑推理和代码执行。

它们的核心价值是“即插即用”——要适配医疗领域，只需要新增“医疗影像分析Worker”；要处理法律文档，只需要替换“法律文本解析Worker”，而Planner和Coordinator完全不用动。

这三层架构的本质，是对人类认知的仿生：就像我们的前额叶负责规划（Planner），大脑皮层负责调度注意力（Coordinator），感官和运动系统负责专项执行（Worker）。这种分工，让每个模块都能在自己的领域深耕，而不是互相牵制。

OWL（Optimized Workforce Learning）的创新，比架构更具启发性——它证明了“只优化Planner，就能让整个系统脱胎换骨”。

论文中，研究者用Qwen2.5-32B-Instruct初始化Planner，通过两阶段训练：先监督微调（SFT）掌握基础拆解技能，再用直接偏好优化（DPO）强化泛化能力。最终，这个模型的GAIA准确率从36.36%飙升至52.73%，提升了16.37%，甚至在高难度Level 3任务上追上了GPT-4o。

这里的核心问题是：为什么不训练Worker，只训练Planner？

1. 能力的“杠杆效应”：Planner是整个系统的“瓶颈”——一个糟糕的任务拆解，再强的Worker也无法挽救；而一个优秀的拆解，能让普通Worker发挥最大价值。就像将军的战略失误，士兵再勇猛也赢不了战争。

2. 知识的“通用性”：任务拆解的逻辑（比如“先获取数据→再分析→最后输出”）是跨领域通用的，而Worker的技能（如医疗影像识别）是领域专用的。训练通用能力，比重复训练专用技能效率高得多。

3. 成本的“边际效益”：论文的消融实验显示，只训练Planner的准确率（45.45%）几乎接近同时训练Planner和Worker（46.68%），但计算成本却低了一个量级。这印证了一个认知规律：最高效的能力提升，往往来自核心瓶颈的突破，而非所有环节的齐头并进。

更有意思的是，SFT单独训练会导致Level 3任务性能下降3.85%，而加入DPO后不仅恢复，还提升了7.69%。这说明：纯粹的模仿（SFT）只能让Planner“按套路出牌”，而强化学习（DPO）才能让它“灵活应变”——这和人类的学习路径完全一致：从模仿到反思，才能真正掌握复杂技能。

WORKFORCE的69.70%准确率，不仅是一个数字，更是开源AI对商业系统的一次重要逆袭。在此之前，开源多智能体系统始终落后于OpenAI、Anthropic等商业巨头，而WORKFORCE首次实现了超越——它用模块化架构证明，开源社区不需要投入海量资源定制每个领域的模型，只需要搭建一个灵活的“能力整合框架”，就能整合现有工具，实现通用智能。

这预示了AI发展的一个重要方向：通用智能不是“单个模型的全能”，而是“多个专用模型的高效协作”。就像人类社会的进步，不是因为每个人都成为全才，而是因为分工越来越细、协作越来越高效。

更进一步说，WORKFORCE的架构为通用AI提供了一条可行路径：先搭建一个“通用规划+灵活调度”的核心框架，再通过“即插即用”的方式整合各领域的专用能力。这种模式，既避免了“全能模型”的巨大训练成本，又能快速适配新领域，真正实现“一次架构，全域复用”。

但我们也要清醒地看到，论文提到的局限性依然存在：系统性能依赖高质量的领域工具，在缺乏可靠工具的领域，依然会遇到瓶颈；强化学习从真实世界反馈中学习的过程，还受限于网络延迟等外部因素。这说明，通用AI的道路，不仅需要架构的创新，还需要工具生态的完善。

罗马军团的强大，不在于单个士兵的战斗力，而在于模块化分工带来的适应性和效率。WORKFORCE的成功，也不在于某个智能体的性能有多强，而在于它找到了一种让专用能力高效协作的方式。

这给我们一个深刻的启示：AI的进化，正在重演人类社会的进化逻辑——从“个体全能”到“群体协作”。未来的AI，不会是一个无所不能的“超人”，而会是一个由无数专用“工匠”组成的“模块化军团”，在通用“大脑”的指挥下，高效完成各种复杂任务。

而OWL的训练范式，则告诉我们：在这个军团中，“大脑”的进化才是最关键的瓶颈。只要让规划能力不断提升，即使“工匠”的技能没有质变，整个系统的性能也会实现飞跃。

这，或许就是通用AI的真正路径——不是追求单个模型的完美，而是构建一个能让能力高效流动、快速整合的生态。

• Hu, M., Zhou, Y., Fan, W., et al. (2025). OWL: Optimized Workforce Learning: General Multi-Agent Assistance for Real-World Task Automation. NeurIPS 2025.