2026-08-22 — views
任務模型誘導從電腦軌跡中恢復交錯工作流
為什麼值得讀 構建桌面智能體的 AI 工程師可利用 TMI 從原始互動數據中學習真實世界的工作流，從而實現更穩健且可審計的任務執行。
新的 TMI 方法從被動電腦使用軌跡中提取結構化任務模型，顯著提升了智能體相對於現有基準的準確率。
自然主義電腦使用的挑戰
自然主義電腦使用軌跡由被動記錄的螢幕截圖以及滑鼠或鍵盤操作組成，是推導日常工作效率執行方式的符號化、可審計且可重用模型的寶貴資源。隨著電腦使用智能體開始進入真實世界的工作環境，學習任務實際執行方式的能力變得至關重要。組織也需要有效審計和重用這些知識的能力。然而，誘導此類任務模型面臨著重大挑戰。活動通常僅作為低層級事件被觀察到，而真實世界的工作本質上是多線程的，具有交錯的目標。現有方法通常假設給定的任務或單一工作流，僅產生步驟級摘要而非結構化任務模型。
引入任務模型誘導
為了解決這些限制，研究人員引入了任務模型誘導（Task Model Induction, TMI）。這種方法旨在從不受約束的軌跡中發現潛在任務，有效解耦並行活動。對於每個識別的潛在任務，TMI 會誘導一個任務模型，該模型將遞歸目標分解的層級目標模型與組織執行的控制流程序模型配對。這種雙模型結構允許比先前方法更全面地理解任務。
性能與準確性
TMI 的有效性已通過內在和外在評估得到證明。在受控的人類和智能體軌跡上，TMI 恢復交錯任務的準確率與真實分組相比達到 0.974。此外，它重建了 74.9% 的觀察執行步驟，這一性能指標遠遠超過最強的工作流誘導基準。在外在評估中，源自 TMI 任務模型的技能使保留任務的準確率比最強基準提高了 30.0%。這些結果表明，TMI 在從被動數據源對複雜的真實世界電腦使用模式進行建模方面提供了顯著的進步。
實戰筆記
構建自主智能體的開發人員應考慮整合 TMI，以從原始互動日誌中提取結構化任務模型，從而實現更準確的任務執行。通過利用層級目標分解和控制流模型，工程師可以創建更能理解和審計真實世界工作流的智能體。