截胡OpenAI！清华复旦等抢先开源智能体框架Eko，一句话打造「虚拟员工」

---

  新智元报道  

抢在OpenAI发布Operator之前，清华、复旦和斯坦福的研究者联合提出了名为Eko的 Agent开发框架，开发者可以通过简洁的代码和自然语言，快速构建可用于生产的「虚拟员工」。AI智能体能够接管用户的电脑和浏览器，代替人类完成各种任务，为工作流程提供自动化支持。

核心技术创新有三点：

1. 混合智能体表示：提出了Mixed Agentic representation，通过无缝结合表达高层次设计的自然语言（Natural Language）与开发者低层次实现的程序语言（Programming Language）。
2. 跨平台Agent框架：提出环境感知架构，实现同一套框架和编程语言，同时支持浏览器使用、电脑使用、作为浏览器插件使用。

3. 生产级干预机制：现有Agent框架普遍强调自治性（Autonomous），即无需人类干预，而Eko框架提供了显性的生产级干预机制，确保智能体工作流可以随时被中断和调整，从而保障人类对生产级智能体工作流的有效监管和治理。

Homepage: https://eko.fellou.ai

Github link：https://github.com/FellouAI/eko

用实际的例子来感受一下这个Agent框架的开发难度：只需要一句话，就可以让Eko生成一个全Agent帮你做股票分析。这不就是妥妥的生产力工具吗！真是解放双手！

在雅虎财经上收集纳斯达克的最新数据，包括主要股票的价格变化、市值、交易‍量，分析数据并生成可视化报告。

当前登录页面自动化测试：

1. 正确的账户和密码是：admin / 666666

2. 请随机组合用户名和密码进行测试，以验证登录验证是否正常工作，例如：用户名不能为空、密码不能为空、用户名不正确、密码不正确

3. 最后，尝试使用正确的账户和密码登录，验证登录是否成功

4. 生成测试报告并导出

清理当前目录下大于1MB的所有文件

主要场景

1. 通用核心：这一层提供了与环境无关的基本功能，如工作流管理、工具注册管理、LLM（大语言模型）集成和钩子系统。
2. 环境特定工具：每种环境（如浏览器扩展、Web环境、Node.js环境）都提供了优化的工具集。
3. 环境桥接：这一层负责环境的检测、工具注册、资源管理和安全控制，确保不同平台之间能够顺利互动和通信。

研究人员提出层次化感知框架，将任务的拆解分为两层，包括Planning layer 和 Execution layer。其中Planning layer负责将用户的需求（自然语言或代码语言表示）和现有工具集拆解成一个有领域特定语言（Domain-specific language）表示的任务图（Task graph）。

任务图是一个有向无环图，描述了子任务之间的依赖关系。该任务图由LLM一次性合成。在Execution layer中，根据每个任务调用LLM来合成具体的执行行为和工具调用。

// Javascriptawait eko.execute(workflow, {  hooks: {    beforeToolUse: async (tool, context, input) => {      console.log(`准备执行工具：${tool.name}，输入参数：`, input);      return input;    },    afterToolUse: async (tool, context, result) => {      console.log(`工具执行完成：${tool.name}，输出结果：`, result);      return result;    }  }});

1. 工作流钩子（Workflow Hooks）这些钩子位于工作流的最上层，用于整体控制和监控自动化流程的启动和结束。例如，你可以在工作流开始之前进行资源初始化，或在工作流结束后进行清理和处理最终结果。
2. 子任务钩子（Subtask Hooks）这些钩子位于工作流的中间层，允许你在每个子任务开始前和结束后进行监控和处理。例如，你可以在每个子任务前记录日志，或在任务完成后对中间结果进行处理。
3. 工具钩子（Tool Hooks）这是最细粒度的钩子，允许你在每个工具执行前后进行验证和修改。例如，你可以在工具执行前验证输入参数，或在工具执行后处理返回结果。

（文：新智元）