Unified Agent：管理跨设备交互

随着能力的迅速增加，AI代理可以在时间上从一个应用扩展到用户的设备。然而，现有的代理系统在这个场景中仍然不足。这是因为观察分散在不同的设备和时刻，但主流系统并没有为此设计：单个代理将设备视为工具，缺乏所有设备和时间内的有效状态管理，而多代理系统则跨代理协调，但没有维护跨设备、跨时间的紧凑携带状态的需求。我们认为代理应该保持一个有效地设计的状态，组织参与证据、陈述事实和当前观察下的行动请求，在决定其行动时。为了比较状态设计，我们构建了一个跨设备和时间的用户-代理交互基准。我们将这一原则应用于Unified Agent，这是一个携带互动证据并使用当前观察进行行动的有状态代理。在默认设置下，它显著优于我们的四种现有设计的改编版本。随着多模态大语言模型（MLLM）家族的变化、能力增强和推理努力，它仍然领先于所有比较系统，表明状态设计优势在MLLM设置中是稳健的。我们将代码和数据公开在GitHub上。