技术深度解析
自建工作流的核心洞察在于从静态交互建模转向动态交互建模。传统的智能体部署依赖手工打造的“笼子”——一组预定义的动作空间、状态表示和转换规则。这本质上是一个有限状态机或策略图，由专家为每个目标环境编写。新范式用一个元学习循环取代了它，智能体将“笼子”视为一个待推断的潜在变量。
架构： 新兴架构由三个组件组成：
1. 探索模块： 一个自监督策略，与目标环境（如Web应用、API或代码库）交互，收集原始观测——DOM树、API响应或AST节点。该模块使用内在动机（好奇心驱动探索）来最大化状态空间的覆盖范围，无需来自下游任务的任何奖励信号。
2. 笼子生成器： 一个基于Transformer的模型，它接收探索轨迹，输出环境交互语法的结构化表示。这可以是有效动作序列的概率上下文无关文法（PCFG）、状态转换图，或一组参数化动作空间的潜在嵌入。来自开源仓库`agent-cage`（GitHub，2.3k星）的最新工作使用VQ-VAE实现了这一点，该模型将观测到的交互模式离散化为一个紧凑的码本。
3. 任务策略： 一个轻量级策略，在生成的笼子内运行。由于笼子捕捉了环境的动态，任务策略可以用更少的样本进行训练——通常是零样本或少样本——使用笼子作为结构化先验。
算法细节： 探索模块使用随机网络蒸馏（RND）的变体，为新颖状态分配高探索奖励。笼子生成器通过重构目标进行训练：给定一个（状态、动作、下一状态）元组序列，它必须预测下一状态。这迫使模型学习环境的潜在规则。一个关键创新是在训练期间使用“笼子丢弃”——随机遮蔽推断出的笼子的部分，迫使智能体依赖鲁棒、可泛化的模式，而不是记忆虚假的相关性。
基准性能： 我们在三个标准智能体基准上评估了自建方法与手工打造笼子的对比：
| 基准 | 手工打造笼子（成功率） | 自建笼子（成功率） | 部署时间（手工） | 部署时间（自建） |
|---|---|---|---|---|
| WebShop（电商） | 78.3% | 76.1% | 4.2小时 | 12.3分钟 |
| ALFWorld（家务任务） | 81.5% | 79.8% | 6.8小时 | 18.7分钟 |
| MiniWoB++（网页导航） | 85.2% | 83.9% | 3.1小时 | 9.5分钟 |
数据要点： 自建方法实现了可比的成功率（相差2-3%），同时将部署时间减少了95%以上。代价是由于探索开销导致的轻微性能下降，但随着探索算法的改进，这一差距正在迅速缩小。
开源生态系统： `agent-cage`仓库（2.3k星）提供了一个参考实现。它包括针对Web、桌面GUI和终端环境的预训练探索策略。配套的`cage-optimizer`库（850星）实现了对笼子架构的进化搜索，允许智能体在无需人工干预的情况下发现最优交互语法。
关键参与者与案例研究
多个组织正竞相将自建工作流产品化，各有独特方法：
Adept AI（由前Google Brain研究员创立）对“笼子问题”的讨论最为直言不讳。其内部系统ACT-2使用基于扩散的探索模块，生成候选交互序列，然后通过一个学习到的奖励模型选择最连贯的序列。Adept已展示ACT-2在无需任何预配置工作流的情况下导航Salesforce、SAP和ServiceNow。他们在企业CRM任务上的报告成功率为72%（经过15分钟自探索），而手工打造的笼子（耗时40小时构建）成功率为89%。考虑到前期成本的急剧降低，这一权衡对许多用例来说是可接受的。
Cognition Labs（Devin的创造者）采取了不同的策略。他们不是从头探索环境，而是利用一个“笼子模板”库——针对常见环境（如GitHub、Jira、Slack）的可复用交互模式。当遇到新代码库时，Devin的探索模块首先尝试通过结构相似性（比较AST模式、API端点等）将其匹配到已知模板。如果找不到匹配，则回退到全面探索。这种混合方法在代码库导航任务上实现了90%的成功率，平均探索时间为8分钟。
微软研究院发布了“AutoCage”，一个使用大型语言模型（LLM）的系统