与DeepSeek Super Agent理念同频：人大复旦提出CoworkOS，构建你的「超级AI同事」！

机器之心发布

近日，DeepSeek 为下一代超级智能体（Super Agent）提出了四个标准：连续，高效，主动，持久，让智能体称为能够承担工作的 AI 同事。

与这一理念同频，中国人民大学与复旦大学联合团队提出 CoworkOS，将复杂任务协作、共享应用与持久工作状态纳入同一套系统。

• 论文标题：CoworkOS: Scaling Agent Coworkers for Real-world Automation
• 项目主页：https://coworkos-ai.github.io/
• Demo Gallery：https://coworkos-ai.github.io/showcase.html
• 论文链接：https://github.com/RUC-NLPIR/CoworkOS/blob/main/CoworkOS_paper.pdf
• 代码地址：https://github.com/RUC-NLPIR/CoworkOS

下面的总览视频完整展示了 CoworkOS 如何工作以及对应的工作产物：

视频链接：https://mp.weixin.qq.com/s/oWPhyARCHxUaNkgF60Os7w

总览视频・CoworkOS 完整演示

理念同频之外，CoworkOS 进一步探索一种「超级 AI 同事」形态。这一探索沿着两个维度展开：

• 任务复杂度：智能体需要通过多轮环境交互，来完成复杂办公交付工作。
• 时间跨度：实现跨天、跨会话的持续工作，并在中断后接续推进。

CoworkOS 旨在让 AI 同事既能处理复杂任务，也能在更长的时间跨度内持续承担工作。

图 2：CoworkOS 总览：复杂办公交付与持续监控决策双挑战、三层协作架构与实验结果。

具体来说，CoworkOS 结合三项核心设计：

• 三层协作架构，由主智能体制定策略与验收，协调智能体管理调度与状态，子智能体执行子任务；
• 共享应用环境，支持人与智能体在 CAD、Blender 等应用中共同修订；
• 持久工作状态与异步执行，通过工作区、记忆与后台任务支撑跨会话监控。

如图 2 所示，在 12 项真实世界基准和 6 大类交付场景中，团队将 CoworkOS 与 DeepSeek Harness、Codex 等系统进行对比，最终性能不分伯仲。此外，团队还以模型自主后训练为 RSI 的探索场景，让 CoworkOS 组织 Qwen3.6-35B-A3B 的五轮迭代，在八项基准上的平均分从 33.19 提升至 42.95。

CoworkOS：让智能体变成 AI 同事

一．多智能体协作：从分头执行到共同完成

面对复杂任务，CoworkOS 让主智能体把握整体方向，让子智能体完成具体工作。一项复杂工作通常包含多个环节：有些可以同时开展，还有些必须反复检查和修改。如图 3 所示，CoworkOS 由主智能体（Main Agent）制定计划，将具体工作交给不同的子智能体（Subagent），再根据返回的成果决定下一步。子智能体提交结果后，主智能体还会检查它是否满足要求、发现遗漏或错误，就继续安排修改。这样，分工既能让多个环节并行推进，也能让最终交付始终围绕同一个目标。

图 3：CoworkOS 的三层协作架构。

协作能否持续推进，还取决于任务分出去之后，进度与问题能否及时传回来。为此，CoworkOS 在主智能体与子智能体之间设置了协调运行时（Coordinator Runtime），负责调度任务、记录状态和传递结果。需要立即拿到结果的工作可以同步等待，耗时较长的工作则可以异步执行，让主智能体继续处理其他事项。执行过程中，用户可以追加指导，子智能体遇到不确定的问题也可以带着暂定方案提问。Watchdog 则检查子智能体是否停滞或异常，并将问题报告给协调运行时，为后续恢复或调整任务安排提供依据。

二．共享应用环境：让人和智能体围绕同一份作品协作

CoworkOS 把作品本身作为协作的共同基础，让人的修改直接进入智能体后续的工作。在实际办公中，用户往往不会只通过对话表达意见，也会直接改一段文案、调整一页演示。如图 4 所示，CoworkOS 将文档、演示、CAD、Blender 等应用接入共享环境，让人与智能体能够操作同一份作品。用户修改后，智能体下一次读取作品时，就以更新后的状态为依据继续工作。

多人、多智能体共同修改时，CoworkOS 通过版本核对与候选审查来协调改动。如果智能体读取作品后，用户又修改了其中的内容，智能体继续按旧版本写入就可能覆盖用户的工作。为此，CoworkOS 在写入时核对预期版本；发现版本已经变化，就暴露冲突，让智能体重新读取并判断如何处理。子智能体的修改则先保存在独立候选中，由主智能体审查后再合入。这让不同参与者能够分头准备改动，同时保留检查和调整的机会。

图 4：CoworkOS 的共享应用层：通用工具与文档、CAD 原生应用，人与智能体修订同一份资源。

视频链接：https://mp.weixin.qq.com/s/oWPhyARCHxUaNkgF60Os7w

真机操作演示・CoworkOS 驱动 Blender 建模

三、持久工作状态与异步执行：让工作跨越会话继续推进

要让智能体持续承担工作，需要保存的不只是对话，还有材料、决策与执行进度。一项任务持续几天后，智能体需要知道哪些事情已经完成、以及接下来还要处理什么。CoworkOS 将这些信息分别保存：工作区保留材料与成果，语义记忆记录关键决策和待办，任务台账关联执行过程与指标。切换会话时，系统先恢复一份精简的工作状态摘要，再按需查阅原始材料与证据。这样，后续行动就能建立在已有进展之上，避免头梳理整段历史。

对于耗时执行与持续监控，CoworkOS 让任务在后台运行，在需要判断时再唤回智能体。训练、构建等操作可能持续很长时间，系统会将它们托管为后台任务（Job），保留可查询的状态与日志，供智能体跨会话继续跟进。对于需要持续观察的事项，系统则按时间或外部事件唤回主智能体。监控条件发生变化后，也可以判断应该继续执行、调整方案、请求用户参与，还是结束任务。后台运行与智能体判断由此衔接起来，让工作能够持续推进。

实验结果（一）：在 12 项基准上检验真实工作的执行能力

团队首先在四类任务、12 项基准上，验证 CoworkOS 处理真实工作的能力。这些任务覆盖工具使用、生产力、搜索与机器学习编程，实验统一使用 GLM-5.3 作为底层模型，将 CoworkOS 与 OpenHands、Codex、DeepSeek Harness 进行比较。

表 1：CoworkOS 与 OpenHands、Codex、DeepSeek Harness 在 12 项基准上的表现。粗体与下划线分别表示最优和次优结果。

从领域平均分看，CoworkOS 在四类任务中均位居前二，其中生产力与机器学习编程排名第一。在工具使用领域，CoworkOS 的平均分为 55.22，与 DSH 的 55.31 接近；在搜索领域，CoworkOS 为 82.14，略低于 OpenHands 的 82.22。在生产力与机器学习编程领域，CoworkOS 的平均分分别达到 57.54 和 56.26，均为四个系统中的最高值。这些结果显示，CoworkOS 能够覆盖多种工作类型，在不同任务上保持较有竞争力的表现。

具体到单项任务，CoworkOS 在其中六项取得最优结果。这些任务包括 SkillsBench、JobBench、GDPVal、WideSearch，以及两项机器学习编程基准。DSH 则在 Tau-3、AutomationBench 和 WorkspaceBench-Lite 上领先，OpenHands 在 BrowseComp 与 Harvey 上表现更好，Codex 在 OfficeQA Pro 上得分最高。这也说明，真实工作对智能体提出了不同要求：工具操作、信息查找、专业判断与最终交付，需要分别检验。

实验结果（二）：从基准分数走向完整可交付产品

除了标准化评测，团队还通过六大类、24 个真实任务，展示智能体交付能力。这些任务覆盖网站、游戏、办公演示、交互可视化、CAD 与 Blender 场景。团队将 CoworkOS、Codex 与 DeepSeek Harness 的最终作品并置呈现，让读者能够直接比较视觉呈现与功能完成情况。

图 6：24 个真实任务的交付对比，覆盖网站、游戏、办公演示、交互可视化、CAD 与 Blender 六类场景。

不同类型的作品，也让复杂交付的要求变得更直观。例如，After the Fall 对应一个末日废土风格的 Blender 场景，Turbofan Engine 对应涡扇发动机 CAD 模型，KESTREL 将救援无人机以交互可视化形式呈现，Courtyard House 则围绕四合院组织网站内容。这些任务涉及的工作各不相同：场景需要组织空间、材质与光照，模型需要处理部件结构，交互页面需要把内容、布局与操作连接起来。下方选取四个案例展开，完整的 24 个任务及三方交付对比可在案例画廊中查看。

视频链接：https://mp.weixin.qq.com/s/oWPhyARCHxUaNkgF60Os7w

After the Fall・末日废土世界（Blender）

视频链接：https://mp.weixin.qq.com/s/oWPhyARCHxUaNkgF60Os7w

Turbofan Engine・涡扇发动机（CAD）

视频链接：https://mp.weixin.qq.com/s/oWPhyARCHxUaNkgF60Os7w

KESTREL・救援无人机（交互可视化）

视频链接：https://mp.weixin.qq.com/s/oWPhyARCHxUaNkgF60Os7w

Courtyard House・四合院（前端网站）

实验结果（三）：探索递归自我改进（RSI），自动化推进 LLM 后训练

递归自我改进（RSI）关注的是：AI 能否参与改进 AI，并根据反馈持续推进下一轮优化。随着智能体能力逐步进化、自动化模型后训练成为代表性的智能体能力评测场景。它涉及评测、问题诊断、数据构建与训练等多个环节。要把这些环节持续组织起来，智能体既需要完成具体操作，也需要保留实验进展、理解反馈，并据此调整后续工作。

团队以自动化 LLM 后训练为任务场景，探索 CoworkOS 如何支撑多轮改进。实验由 GLM-5.3 担任控制器与数据教师，结合 CoworkOS 的 harness 对 Qwen3.6-35B-A3B 开展五轮迭代。起点 R0 是使用 1,345 条种子轨迹完成监督微调的模型；后续由 CoworkOS 衔接评测、诊断、数据生成与训练，根据每轮反馈调整后续方案，五轮迭代后，模型的八项平均分从 33.19 提升至 42.95，增加了 9.76 分。

这一过程包含多次依据反馈作出的调整。例如，第一轮围绕工具选择、参数填写与反馈处理等失败模式补充数据；第二轮平均分下降后，后续迭代进一步调整数据覆盖与训练安排。到第五轮，系统针对 BFCL 的表现补充函数调用相关轨迹，这类轨迹占当轮新增数据的 61.1%，对应的 BFCL 得分也出现明显回升。

图 7：大模型自动化后训练结果展示：五轮后训练的平均分变化，以及各轮依据评测反馈作出的主要调整。

逐项结果显示，多数能力有所提升，但不同任务的变化并不同步。如下图，最终八项基准中有七项超过起点，其中六项达到 R0 至 R5 期间的最高分，包含并列最高的情况。Automation 从 11.00 提升至 44.15，SkillsBench 从 20.85 提升至 35.76，BFCL 从 63.48 提升至 70.83。与此同时，GDPVal 的最高分出现在第二轮，JobBench 的最终得分仍低于起点。

图 8：五轮实验中八项基准在各轮迭代中的变化，展示整体提升与单项波动。

总结与展望

CoworkOS 已将 Super Agent 的愿景落成一套可运行的系统。沿着同一组标准，其后续演进可归纳为六点：

• 连续：走向跨设备、跨会话的 AI 同事，上下文与作品无缝承接。
• 走向更大规模、更细粒度的任务组织与资源调度。
• 主动：走向更可靠的事件理解与价值判断，减少误判与打扰。
• 持久：走向异常自愈与更长时程的无人值守运行。
• 生态扩展：进一步接入科学计算与多模态工具，让人与智能体能够在更多专业环境中共同完成工作。
• 自我改进：探索递归自我改进（RSI），让智能体根据评测结果诊断问题、调整方案并验证效果，将多轮改进扩展到更广泛的研究与工程任务。

作者团队

CoworkOS 由中国人民大学、复旦大学、北京大学、新加坡国立大学、上海交通大学、华东师范大学联合团队完成。其中核心贡献者包括：金佳杰 *、董冠霆 *、潘成骏 *、邓鑫、盛卓辉、王国强、桂韬†、朱余韬†（* 共同第一作者，† 通讯作者）。