Multi-Agent Computer Use

Summary

提出 Multi-Agent Computer Use (MACU) 框架，通过 Manager-Subagent 架构将 CUA 任务分解为 DAG 并行执行，在 OSWorld 和多个 Web 导航 benchmark 上相比单 agent baseline 提升 3.4-25.5%，长任务完成时间缩短约 1.5 倍。

Problem & Motivation

现有 Computer Use Agent (CUA) 均为单一串行 agent，在处理复杂长程任务时存在明显局限：无法有效分解任务、无法并行执行子任务、难以根据新信息持续重规划。论文指出，复杂桌面/网页操作任务天然具有可分解性和并行性，单 agent 架构浪费了这些机会。部分可观察环境（如网页内容动态变化、跨窗口信息传递）是 CUA 的核心挑战，但现有工作未将其作为一等公民处理。

Method

MACU 框架的核心设计：

Manager-Subagent 架构

Manager model：负责任务分解、DAG 构建、状态追踪、动态重规划
CUA Subagents：执行具体操作的单一 agent，可并行部署

DAG 任务表示

将任务分解为 DAG，节点为子任务，边编码依赖关系和目标传递
Ready frontier：无前置依赖的节点集合，可并行执行
Manager 每轮调度 ready frontier 上的节点给 subagents

信息传递机制

针对部分可观察环境设计：下游 agent 无法重新观察的信息通过 DAG 结构和 Manager 传递
每个子任务节点携带目标描述和关键上下文

动态重规划

Manager 根据 subagent 返回结果持续修订 DAG（添加、取消、重写节点）
支持失败重试、分支探索、提前终止

Key Results

在四个 benchmark 上的表现：

Benchmark	Single-Agent Baseline	MACU	Improvement
OSWorld	-	-	+3.4%
Online-Mind2Web	-	-	+8.5%
WebTailBench	-	-	+25.5%
Odysseys	-	-	+15.2%, 1.5x faster

OSWorld：桌面操作任务，MACU 相比 Claude 单 agent baseline 提升 3.4%
Online-Mind2Web：真实网页导航任务，提升 8.5%
WebTailBench：长程网页操作，提升最显著达 25.5%
Odysseys：长程 web 导航 benchmark，任务完成 wall-clock time 缩短约 1.5 倍

Test-time Scaling：MACU 展现更优的测试时扩展性，增加 subagent 并行度持续提升性能

长任务突破：在 single-agent CUA 卡住的复杂长程任务上，MACU 通过并行探索和动态重规划成功解决

Strengths & Weaknesses

Strengths:

首次系统性地将 multi-agent 协作引入 CUA 场景，架构设计简洁清晰
DAG 表示天然支持任务依赖和并行执行，信息传递机制有效解决部分可观察问题
实验覆盖全面：桌面（OSWorld）+ 多个 web 导航 benchmark
Test-time scaling 展示了清晰的 scaling path
开源代码和可视化工具

Weaknesses:

Manager model 依赖强大的 LLM（Claude/GPT-4），成本较高
并行 subagent 增加了 API 调用开销，可能抵消 wall-clock 时间收益
论文未深入分析失败案例，尤其是 DAG 规划错误的传播影响
与 single-agent baseline 的对比未充分控制 API 调用次数/成本
缺少对 subagent 数量、并行度等超参的消融

Mind Map

mindmap
  root((MACU))
    Problem
      Single-agent CUA 局限
      复杂任务分解难
      部分可观察环境
    Method
      Manager-Subagent 架构
      DAG 任务分解
      Ready Frontier 并行执行
      动态重规划机制
    Results
      OSWorld +3.4%
      Online-Mind2Web +8.5%
      WebTailBench +25.5%
      Odysseys 1.5x faster

Notes

与 OSWorld 同团队工作，延续了 CUA benchmark 的研究路线
DAG 表示与 planning 领域的经典方法（HTN、GOAP）有相似性，但针对 CUA 场景做了适配
信息传递机制的设计思路可迁移到其他 multi-agent 协作场景
有意思的延伸：subagent 是否可以异构（不同模型/能力）？Manager 是否可以被 RL 训练？

DeepRead

Explorer