AgentBuilder研究界面代理用户体验原型搭建方案

借助生成式人工智能模型驱动的界面代理（简称“代理”），现今的技术能够根据用户指令自动完成复杂任务。而在这些代理的开发过程中，用户体验（或称“代理体验”）的设计至关重要。由于界面代理直接影响用户的直观交互，开发团队亟需为非人工智能工程师提供更便捷的工具，帮助他们对代理用户体验进行原型设计，从而拓宽设计视角，使不同领域的个人为代理体验的设计贡献新的见解与创意。

为了满足上述需求，研究团队通过需求分析研究，总结出代理体验原型设计的关键活动与理想功能，并结合这些发现开发了一款名为“AgentBuilder”的设计工具。该研究邀请了12位具备不同代理使用经验的参与者，深入探讨代理原型设计系统应具备哪些能力。研究结果表明，提供“脚手架”支持，不仅可以帮助开发者优化代理设计，还能为个人化、场景化的用户体验提供创新实践。

通过AgentBuilder，研究团队随后开展了一项实地原型设计实验，包含14名参与者。研究的目的是验证这款工具的设计需求，同时深入了解开发者在原型开发过程中的具体需求与行为模式。在实际应用中，不同开发者基于AgentBuilder的功能，对代理的设计需求及原型开发过程中面临的挑战提供了宝贵见解。研究进一步佐证了该工具的有效性，并揭示了开发者在构建代理时的实际需求与行为模式。

此外，服务器端的大型语言模型（LLMs）虽然在工具整合与复杂推理任务中表现优越，但直接将小型语言模型（SLMs）部署到设备端则带来了全新的可能性——例如提升延迟和隐私保护。然而，这种迁移也对模型的准确性与内存优化提出了严峻挑战。

为应对这些挑战，研究团队推出了CAMPHOR，一个全新的设备端SLM多代理框架。CAMPHOR能处理多用户输入，并在本地结合用户的个人化上下文进行推理决策。它为提升设备端应用的响应能力与隐私性能树立了新标杆，展现了SLM的潜力在未来如何推动技术进步。

在复杂的多代理环境中，智能系统需要根据其他代理的意图和可能行为进行精确规划，这对顺序决策的安全性和稳健性提出了极高要求。传统方法通常采用马尔科夫决策过程进行建模，但在处理极端情况时仍存在较高的失败率。因此，研究团队通过新颖的自我博弈学习方法，在复杂场景中模拟多代理之间的协作与谈判过程，探索更高效、更可靠的解决方案。这一研究方向不仅加深了对多代理协作的理解，还为未来实现更复杂的AI决策系统开辟了道路。

从AgentBuilder深挖代理用户体验设计，到CAMPHOR实现设备端高效推理，再到探索多代理协作的学习机制，这些研究均指向一个共同目标：让人工智能技术在实际应用中更加高效、可靠且贴近人类需求。这些创新成果不仅拓宽了AI研究的应用场景，还展示了AI技术在多元化场景中的可能性与活力。未来，通过技术与工具的持续完善，人工智能有望开启全新的协作与交互方式，为社会和产业创造更大价值。