CoworkOS:AI 同事真正缺的,可能不是更聪明,而是记得把工作做完
你有没有遇到过这样的 AI 助手:代码写得挺快,网页也能做出来,可你让它盯一次耗时数小时的训练,事情就开始变味了。上下文一压缩,它忘了上一轮为什么改数据;会话一中断,它不知道后台任务跑到哪;你在 CAD 里手动挪了一个零件,它还拿着旧版本继续改。
单次回答漂亮,和长期对一件工作负责,是两回事。
CoworkOS 盯上的正是这条缝。它没有再训练一个“更聪明”的模型,而是把模型外面的运行时、工具、工作区和记忆重新组织了一遍,让智能体既能做复杂交付,也能在跨天、跨会话的任务里持续关注、等待和决策。
核心摘要:CoworkOS 是一个面向长程人机协作的通用 Agent Harness,把任务策略与执行管理拆开:Main Agent 负责规划、委派和验收,Coordinator Runtime 负责调度、状态与反馈,Subagents 在独立上下文中完成局部工作。共享应用、分层工作区和持久语义记忆,则让人和智能体围绕同一份产物持续修改。统一使用 GLM-5.3 时,它在 12 项基准上整体与 Codex、DeepSeek Harness 等系统接近,并在生产力与机器学习编程领域平均分领先。更吸引人的是五轮自动后训练案例:八项基准均分从 33.19 升到 42.95。不过,这更像一份扎实的系统工程报告,而不是已经证明通用自我进化的算法突破。
论文信息
- 标题:CoworkOS: Scaling Agent Coworkers for Real-world Automation
- arXiv ID:2611.03178
- 提交时间:2026 年 11 月 2 日
- 作者:Jiajie Jin、Guanting Dong、Chengjun Pan、Xin Deng、Zhuohui Sheng、Guoqiang Wang、Tao Gui、Yutao Zhu、Yujia Chen、Shihong Yi、Binze Hu、Zhixiong Yang、Zhichao Sun、Rui Wang、Han Han、Mingyu Ma、Junhao Huang、Xiaotao Wang、Huicheng Jiang、Yuyang Hu、Xinyu Yang、Wanghan Xu、Yajie Yang、Zhecan Wang、Honglin Guo、Xiaoyu Xing、Xiaoqian Zhang、Yulun Zhu、Xiaoxi Li、Jiahang Lin、Shaofan Liu、Shihan Dou、Zhiheng Xi、Qi Zhang、Yu-Gang Jiang、See-Kiong Ng、Yang Zhang、Tat-Seng Chua、Ji-Rong Wen、Zhicheng Dou
- 机构:中国人民大学、复旦大学、北京大学、上海交通大学、新加坡国立大学、华东师范大学
- 论文链接:https://arxiv.org/abs/2611.03178
- 项目主页:https://coworkos-ai.github.io/
- 代码仓库:https://github.com/RUC-NLPIR/CoworkOS

图 2:CoworkOS 的整体定位。左上用“任务复杂度 × 时间跨度”区分复杂交付和持续监控;中间是围绕共享工作区的人机协作;右上汇总基准表现;下方给出五轮后训练中各任务及八项均分的变化。图中均分并非单调上升,R2 曾从 36.94 回落到 35.90,这个细节比一句“持续进化”更值得看。
一、真正的难题:不是把任务拆开,而是一直对结果负责
Agent 系统早期更像工作流:模型推理一步,调用一次工具,再根据观察继续行动。ReAct、Reflexion、MetaGPT、AFlow 等工作,大多围绕轨迹组织、反馈或协作流程展开。今天的编程助手和办公智能体则进入另一种场景:产物会不断变化,用户会中途插手,训练、构建和搜索也不会因为模型停一轮就自动结束。
CoworkOS 把这些要求压成两个维度。
| 维度 | 它关心什么 | 典型任务 | 主要失败方式 |
|---|---|---|---|
| 任务复杂度 | 决策数量、分支依赖、工具与证据的组合 | 做网站、写演示文稿、构建 CAD、跑机器学习实验 | 局部做对了,最终产物不完整或无法验收 |
| 时间跨度 | 目标保持活跃多久,期间要等待多少外部变化 | 盯训练、跨会话推进项目、监控事件 | 忘记目标、丢失状态、重复执行、错过反馈 |
这个划分挺实用。一个监控任务可能每一步都很简单,却要连续负责几天;一个复杂设计可能不需要等很久,却要求大量推理和验证。自动后训练恰好把两者叠在一起:先分析弱点,再改数据、训练、等待、评测,然后拿新结果修改下一轮方案。
所以,问题不再是“模型下一步该调用哪个工具”,而是“谁保存目标、谁维护状态、谁决定验收、谁在中断后接着干”。这就是 Harness 的价值。
二、三层运行时:把决策权与执行管理拆开
CoworkOS 的核心分工可以压成一句话:模型决定做什么,运行时确保事情真的持续推进。

图 3:Main Agent 位于顶层,执行 Plan、Act/Delegate、Review、Accept;Coordinator Runtime 负责调用注册、调度、Inbox 路由、Jobs 与监控;底层 Subagents 各自维护 Context → Action → Observation 循环。右侧是通用工具、原生应用服务与共享资源,底部工作区保存语义记忆、Run 记录、已验收产物和资源引用。同步委派留在调用链上,异步委派则让 Main 先处理其他工作。
Main Agent:唯一对全局目标负责的人
Main 面向用户,保留完整任务上下文,既能直接调用工具,也能把边界清楚的工作委派出去。委派不是随手扔一句“你帮我看看”,而是一份证据契约:目标是什么、约束是什么、允许使用哪些能力、回来时必须带什么结果和证据。
这个设计很克制。Subagent 不必把漫长的中间轨迹全部灌回 Main,只返回报告、产物引用、支持记录和执行状态。Main 再根据这些信息决定整合、返工还是验收,全局责任没有跟着任务一起被拆散。
Coordinator Runtime:不是另一个会聊天的 Agent
Coordinator 是控制面,不负责另起一套任务策略。它给每次委派稳定身份,保存分配、执行状态和待投递反馈,通过队列、租约与确认机制维护归属和投递状态。
这件事听起来不炫,却是长程系统的命门。模型上下文可以消失,进程可以重启,但“哪个子任务归谁、结果有没有送达、回调是否处理过”不能靠模型回忆。运行时保存这些事实,Main 才能根据操作证据继续,而不是根据一段可能已经不完整的聊天历史猜测。
Subagents:隔离上下文,而不是隔离责任
每个 Subagent 在独立上下文中处理局部任务,可以进行较长的搜索、工具交互和验证。系统支持三种通信路径:Main 向 Subagent 下发与纠偏,Subagent 之间传递简短消息或文件引用,Subagent 向 Main 返回结果或请求决策。
同级通信被刻意做得很轻。它只解决接口、假设和候选产物之间的局部依赖,不形成第二套控制层级。任务范围、继续委派和最终验收仍归 Main。
同步与异步也值得分开看:
| 执行方式 | 结果如何返回 | 适合场景 |
|---|---|---|
| 同步委派 | 结果留在 Main 当前调用路径 | 下一步强依赖该结果,需要立即等待 |
| 异步委派 | 先返回确认与标识,终态稍后进入 Main 的 Inbox | 可并行调查、长工具链、耗时执行 |
| 后台 Job | 持久保存进程身份、状态与日志,按结果或计划唤醒 Main | 训练、构建、持续监控 |
说实话,我更看重这里的“可恢复投递”,而不是“多智能体”标签。多开几个 Agent 很容易,难的是重启以后不重复干活、不漏结果。
三、共享应用:人不是只在聊天框里提意见
很多所谓 human-in-the-loop,其实只是让人再发一句提示词。CoworkOS 把另一条路也接进来了:人可以直接改文档、演示文稿、CAD 参数或 Blender 场景,智能体再读取这份已提交的产物继续工作。
关键不在接了多少软件,而在人和 Agent 改的是不是同一个有身份、有版本的资源。
平台用 \(r=(\iota,\kappa,x,v)\) 表示资源,其中 \(\iota\) 是身份,\(\kappa\) 是类型,\(x\) 是应用内容,\(v\) 是已提交版本。新操作必须通过版本检查:
\(\hat v\) 是操作基于的旧版本,\(\alpha\) 记录人或 Agent 的操作者身份,\(T_\kappa\) 则保留不同应用自己的编辑语义。版本一致才提交;不一致就返回冲突,不静默覆盖别人的修改。
这就是共享编辑最朴素的工程底线。你想想看,如果人刚把楼上退出一米,Agent 还拿旧模型覆盖回去,再漂亮的自然语言协作也没用。
Subagent 还可以先做私有候选,而不是直接在共享产物上边探索边改。Main 审核后才决定是否合入;若基线已经变化,候选会保留下来重新检查,而不是强行应用。
系统接入分两类:原生应用由平台管理资源、版本与历史;MCP 集成则保留外部软件的所有权和接口。论文也承认,外部软件若没有暴露资源操作,就不能凭空获得同样的版本保证。这个边界写得比较诚实。
四、持久工作区:把“我记得”改成“系统查得到”
长程任务不能把所有信息都塞进上下文。CoworkOS 将任务保留状态拆成工作对象与产物引用、进度与决策证据、运行与等待状态三部分,再用 Run 记录每一次具体执行。

图 4:左侧目录把 Main、Subagent 与 Runtime 的记录分区保存,同时分开 inputs、artifacts、agents、runs、sessions 和 applications。中间展示一栋房屋从 v1 到 v4 的修改:Agent 加楼层和阳台,人直接调整上层位置,Agent 再补遮阳、台阶和栏杆。下方说明 Task A、Task B 通过身份与绑定引用同一份独立存储的原生资源,内容、版本和编辑历史不依赖某个会话窗口。
工作区里有几条很具体的规则:
- Agent 工作区跨 Run 保留,后续执行可以复用已有文件;每个 Run 又单独保存事件、检查点和结果。
- Agent 默认只写自己的工作区,读取他人发现则通过共享引用;Main 审核候选后再发布到 Task 产物区。
- 长计算作为后台 Job 保存身份、进程记录和日志。进程消失但没有退出记录时,结果被标为不确定,而不是假装成功或失败。
- 外部监控由确定性脚本采样并对比基线,没变化就不调用模型;候选事件再交给 Main 或语义分析,减少空转成本。
- 等待前必须记录进度、等待条件和下一步。持续目标若没有活跃观察源,也没有明确复查时间,运行时会拒绝这次等待。
上下文管理也不是简单截断。Main 先更新包含目标、已完成工作、下一步和约束的语义记忆,再在阶段边界重建上下文:
\(m_T\) 是语义记忆,\(\rho_T(t)\) 是当前运行时与目标状态,\(d_T(t)\) 是实验摘要,\(h^{\mathrm M}_{t,\mathrm{recent}}\) 是保留的近期历史。显式重置可以清空近期历史,自动压缩则保留一段近期消息;摘要和消息游标一起落盘,避免“摘要是新的、游标还是旧的”这种恢复错位。
我觉得这块最值钱的不是某个记忆算法,而是它把记忆、运行时状态和实验证据分开。模型记住“上一轮准备改数据配比”,系统还要能回答“训练是否还在跑、结果文件在哪里、哪些反馈没消费”。两类问题不能混成一段摘要。
五、12 项基准:整体能打,但不是每项都赢
实验统一使用 GLM-5.3,High thinking effort,256K token 上下文,单次响应最多输出 64K token。对比对象是 OpenHands、Codex 和 DeepSeek Harness。下表完整保留论文 Table 1 的数值。
| 领域 | 基准 | OpenHands | Codex | DeepSeek Harness | CoworkOS |
|---|---|---|---|---|---|
| 工具使用 | SkillsBench | 63.30 | 53.48 | 56.75 | 64.34 |
| 工具使用 | Tau-3 Bench Banking | 40.20 | 46.39 | 55.67 | 49.48 |
| 工具使用 | AutomationBench | 50.50 | 30.33 | 53.50 | 51.83 |
| 工具使用 | 领域平均 | 51.33 | 43.40 | 55.31 | 55.22 |
| 生产力 | JobBench | 55.02 | 23.42 | 56.15 | 59.88 |
| 生产力 | Harvey Legal Agent Bench | 23.75 | 12.70 | 22.30 | 22.74 |
| 生产力 | GDPVal(Elo) | 1122 | 925 | 1157 | 1164 |
| 生产力 | OfficeQA Pro | 66.20 | 66.30 | 62.30 | 65.90 |
| 生产力 | WorkspaceBench-Lite | 64.54 | 58.81 | 68.76 | 67.14 |
| 生产力 | 领域平均 | 55.27 | 40.11 | 56.13 | 57.54 |
| 搜索 | WideSearch | 81.43 | 82.05 | 72.48 | 82.47 |
| 搜索 | BrowseComp | 83.00 | 75.50 | 80.80 | 81.80 |
| 搜索 | 领域平均 | 82.22 | 78.78 | 76.64 | 82.14 |
| ML 编程 | MLE-Bench-Lite | 60.40 | 67.28 | 76.70 | 76.90 |
| ML 编程 | MLS-Bench | 28.91 | 29.05 | 35.57 | 35.62 |
| ML 编程 | 领域平均 | 44.66 | 48.17 | 56.14 | 56.26 |
四个领域平均分里,CoworkOS 都进前二,生产力和 ML 编程排第一。工具使用只比 DSH 低 0.09,搜索只比 OpenHands 低 0.08。ML 编程两项虽都第一,领先 DSH 的幅度却只有 0.20 和 0.05,称不上拉开差距。
有个表格细节很容易被略过:GDPVal 行展示的是 Elo,但生产力领域平均并不把 Elo 直接和其他百分制分数混合,而是使用 220 个任务的平局调整胜率。没有这个换算,领域平均根本没意义。
评测配置也并非轻量。MLE-Bench-Lite 用 22 个 low-split 竞赛,每题五小时、4 CPU、32 GiB 内存和一张 H200;MLS-Bench 的 30 个 Lite 任务也有五小时预算和按任务分配的 H200。这里比较的是完整 Harness 的执行结果,不是廉价、统一 token 预算下的纯模型能力。论文没有给出多随机种子方差,因此那些零点几分的领先不宜读得太重。
24 个真实案例:看交付物,而不是只看分数

图 6:24 个案例覆盖 4 个前端网站、4 个游戏、4 个 Office 演示、8 个交互可视化、2 个 CAD 装配体和 2 个 Blender 场景。每行从左到右为 Codex、DSH、CoworkOS。图里能看到布局、材质、组件细节和信息组织差异,但它是定性展示,不是成功率或用户偏好统计。
几个观察挺具体。Ridge Pack 中,CoworkOS 不只说“放不下”,还解释剩余总体积不代表可用连续空间;Paper Glider 的场景包含书架、窗帘、座位、梁和阴影,结果弹窗也说明漏环容忍规则;Office 案例里,它把数值、标签和解释留在各自卡片内,并将入流减少与蒸发画成两条汇入湖泊萎缩的分支。
附录没有一味挑好看的例子。VESPER Speaker 中,CoworkOS 多次操作也没有清楚露出分离内部结构;Codex 的 Saturn Atlas 剖面反而更清楚。Blender 的 After the Fall 还保留了公交车轮或车身下部与路面之间的可见缝隙。作者也明确说,CAD 展示不能证明参数可编辑、无干涉、可制造,场景深度也不能证明碰撞正确。
这种自我限定让我对定性部分更信任一点。不过,72 个产物仍主要来自人工检查,没有统一用户评分和跨多次生成的稳定性统计,不能把“某些视图更清楚”扩大成全面交付优势。
六、五轮自动后训练:最有意思,也最容易被误读
这个案例里,GLM-5.3 是控制器和主要数据教师,Qwen3.6-35B-A3B 是被训练、被评测的模型。R0 先用来自五个来源的 1,345 条工具交互轨迹做种子 SFT,随后执行五轮反馈驱动的后训练:
所有训练数据经过 BM25 任务相似度过滤,阈值为 0.8,用来控制训练与评测任务的近重复;训练历史还会单独去重。八个评测分数取算术平均,每项权重为 12.5。这里的 GDPVal 是累计 rubric 归一化得分,不是主实验里的 Elo。
| 基准 | R0 | R1 | R2 | R3 | R4 | R5 | R5−R0 |
|---|---|---|---|---|---|---|---|
| Automation | 11.00 | 35.50 | 30.83 | 39.49 | 41.83 | 44.15 | +33.15 |
| BFCL v4 | 63.48 | 61.81 | 61.76 | 62.11 | 61.76 | 70.83 | +7.35 |
| OfficeQA | 55.64 | 53.38 | 52.63 | 56.14 | 59.40 | 62.11 | +6.47 |
| Tau-3 Banking | 14.43 | 19.59 | 16.49 | 18.57 | 22.68 | 22.68 | +8.25 |
| Harvey LAB | 3.33 | 2.50 | 6.78 | 7.53 | 8.42 | 11.08 | +7.75 |
| SkillsBench | 20.85 | 30.38 | 23.18 | 34.16 | 33.84 | 35.76 | +14.91 |
| GDPVal | 74.11 | 75.43 | 77.27 | 75.14 | 76.45 | 76.45 | +2.34 |
| JobBench | 22.66 | 16.93 | 18.27 | 20.58 | 21.32 | 20.53 | −2.13 |
| 八项均分 | 33.19 | 36.94 | 35.90 | 39.22 | 40.71 | 42.95 | +9.76 |
均分涨了 9.76,七项超过 R0,这些数字确实能打。Automation 增幅最大,达到 33.15;SkillsBench 涨 14.91。可别只看首尾:R2 均分下降 1.04,JobBench 最终还比 R0 低 2.13,GDPVal 的最好成绩停在 R2。曲线不是自动向上的,系统是在波动中修改方案。
每轮到底改了什么
| 轮次 | 训练起点 | 独立轨迹与组成 | Epochs | 优化步数 |
|---|---|---|---|---|
| R0 | base | 五个来源的 1,345 条种子轨迹 | 1 | 66 |
| R1 | base | 1,345 条种子 + 244 条新增 | 1 | 69 |
| R2 | R1 | 135 条首次使用:77 条此前保留 + 58 条新生成 | 1 | 10 |
| R3 | R2 | 558 条首次使用:Automation 437、OfficeQA 85、Tau-3 22、SkillsBench 14 | 4 | 24 |
| R4 | R3 | 453 条首次使用,覆盖 Automation、OfficeQA、Tau-3、SkillsBench | 4 | 22 |
| R5 | R4 | 332 条新增:BFCL 203、Automation 84、OfficeQA 26、Tau-3 17、JobBench 2 | 4 | 20 |
R2 到 R5 的新数据采样倍数为 24,旧数据为 1。R2 只用 135 条首次使用轨迹并高强度重复,均分随后回落;复盘发现 42 条轨迹占了 84.2% 的监督 token,少量长轨迹主导了训练。R3 把独立数据扩到 558 条、训练四轮,均分回升到 39.22。
R3 的 Automation 数据占 78.3%,该任务之后连续改善;R5 则把 61.1% 的新轨迹转向函数调用,BFCL 从 R4 的 61.76 升到 70.83。失败分析也落到了演示规则上:R4 要求逐项处理、多约束检查和执行后状态回读,R5 补充实体与参数绑定、参数类型、必填字段等函数调用示范。
看到这里,我觉得这套系统真正的能力是“把评测失败翻译成下一轮数据和验收规则”,而不是神奇地发明了新训练算法。
也要把 RSI 的边界说清:控制器 GLM-5.3 并没有通过这套流程改进自身,被改进的是另一个 Qwen 模型;各轮同时改变数据、起点和训练策略,不能把提升归因给某个单独特定机制;轮次也不代表实际经过时间。论文没有报告总训练成本、人工介入量或多轮重复实验。因此,它是自动后训练的长程协作案例,还不是模型完全自主自我进化的证明。
七、我的判断:强在系统闭环,弱在因果拆解
把 CoworkOS 和前置工作放在一起看,它更像一次围绕真实工作场景的系统整合。
| 方案形态 | 主要关注 | CoworkOS 向前补的一层 |
|---|---|---|
| ReAct、Reflexion 等 Agent Workflow | 推理、行动与反馈轨迹 | 把轨迹外的工作状态、等待条件和恢复机制持久化 |
| LangGraph、AutoGen、MetaGPT 等编排框架 | 流程或多 Agent 协作 | 明确全局验收责任、证据返回和可恢复投递 |
| Codex、OpenHands、DeepSeek Harness 等工作环境 | 工具执行与实际交付 | 把共享原生应用、持续监控和跨会话目标放进同一任务生命周期 |
它的亮点不是某条新公式,而是几个机制彼此对得上:异步委派需要 Inbox,Inbox 需要持久状态;人机共编需要版本检查,版本检查需要独立资源生命周期;自动后训练需要实验账本,实验账本又必须和上下文重建、后台 Job 连在一起。这个闭环是完整的。
但论文也有明显缺口。没有针对三层架构、共享应用、持久记忆和 Job 机制的逐项消融,我无法判断 12 项基准的提升分别来自哪里。主实验统一基础模型是公平比较的必要条件,却仍允许不同 Harness 使用不同上下文策略与工具链,分数反映整个系统,不应归因给某一模块。真实案例很丰富,定量用户研究却不足。长程能力主要通过自动后训练展示,跨周监控、异常恢复成功率、重复执行率这些更直接的指标还没有系统报告。
所以我的定位是:这是一份值得工程团队细读的 Cowork Harness 设计报告,也是一条有说服力的自动后训练案例;它还没有证明哪个组件不可缺,更没有证明通用 RSI 已经到来。
如果你在做类似系统,可以先借走三个不依赖大框架的做法:把委派写成带证据要求的契约;把等待条件、进程状态和反馈投递放到模型上下文之外;让每一次人工直接编辑都成为可追踪的资源版本。至于“多 Agent 越多越好”,这篇论文并没有这样证明,也不该往这个方向抄。
我更关心一个问题:当 Agent 不只给建议,还能连续几天操作系统、修改产物并启动训练时,验收与权限边界会变成真正的瓶颈。CoworkOS 把责任集中给 Main,方向是对的;下一步需要看到的,是在故障、误操作和权限变化下,这份责任能否被量化地审计与验证。
觉得有启发的话,欢迎点赞、在看、转发。跟进最新AI前沿,关注我