利用合成電腦提升 AI 代理人長期生產力模擬效能

引言

隨著 AI 代理人從聊天型助理擴展到能直接操作使用者電腦的長期任務執行者，對真實工作情境的需求日益提升。生產力工作往往深度依賴使用者的檔案系統、過往專案紀錄與協作者互動，若缺乏這類豐富的上下文，模型的表現將大打折扣。

合成電腦的生成方法

本研究以「合成電腦」作為模擬載體，從大規模人物角色（persona）出發，利用大型語言模型（LLM）逐層展開成具體的使用者檔案環境。流程包括三個步驟：

• 將人物角色擴充為詳細的使用者資訊檔案，涵蓋職稱、工作職責、常用工具與檔案命名習慣。
• 根據使用者資訊規劃檔案系統的層級結構與資料夾命名規則。
• 以 LLM 生成內容豐富的實體檔案（文件、試算表、簡報等），並放置於規劃好的目錄中。

此方法相較於傳統的隨機檔案生成，能更精準地模擬不同職業、不同工作流程的真實環境。

長期生產力模擬流程

每台合成電腦完成後，會啟動兩個代理人：

1. 設定代理人根據使用者檔案與當前目錄內容，設計一系列需約一個月完成的工作目標，包含多個交付件（報告、試算表、簡報等），並設定相關的里程碑與協作者。
2. 執行代理人模擬真實使用者在電腦上完成任務的行為：搜尋檔案、閱讀參考資料、與模擬同事協調、迭代產出與修訂文件，直至所有目標完成。

每次模擬平均超過 2,000 個回合，耗時約 8 小時，產出完整的過程記錄與最終交付品。

實驗與成效驗證

研究在 1,000 台合成電腦上執行長期模擬，並以兩種評估方式驗證訊號的有效性：

• 內部測試：在相同領域的生產力任務上比較使用合成訊號前後的模型表現。
• 外部測試：在未見過的領域（如程式碼生成、跨語言文件整理）上測試模型的泛化能力。

結果顯示，加入合成電腦產出的經驗訊號後，模型在兩種測試上皆有顯著提升，證明合成環境能提供有價值的學習資料。

跨主題對比分析

與傳統的合成資料生成（例如僅生成單一任務的對話或程式碼）相比，合成電腦具備以下優勢：

• 上下文深度：完整的檔案系統提供長期記憶與文件間的關聯，模擬真實工作流程。
• 多任務複雜度：一次模擬涵蓋多個交付件與協作環節，測試模型在多目標管理上的能力。
• 可控性與可擴展性：人物角色與檔案結構可自由設定，便於在不同職業、不同規模間做系統性比較。

相較之下，僅生成單一檔案或對話的合成資料缺乏長期依賴關係，難以測試模型的計畫與回顧能力。

未來影響預測

若將此方法擴展至百萬甚至十億規模的合成電腦，將為 AI 代理人在以下領域帶來變革：

1. **自我提升循環**：大量長期模擬產生的失敗與成功案例，可自動抽取成技能庫，持續迭代模型權重。
2. **產業應用落地**：金融、醫療、製造等專業領域可先行以合成環境驗證 AI 工作流程，再逐步導入真實環境，降低部署風險。
3. **研究資源共享**：公開的合成電腦與模擬報告提供社群共用基礎，促進跨機構合作與標準化測試。

討論與結論

合成電腦的核心價值在於它同時提供「情境」與「任務」兩層訊號，使代理人在長期、生產力密集的情境下學習。實驗結果證實，透過大規模合成電腦與長期模擬，可顯著提升模型在真實工作任務上的效能，為未來 AI 代理人的自我改進與強化學習奠定基礎。

延伸閱讀

• SPIRE：以路徑可定位子文件實現結構化且可解釋的證據檢索
• 可分離專家架構（SEA）：以可組合 LoRA 與可刪除使用者代理實現 LLM 個人化與刪除驗證
• MemPalace 技術拆解：逐字儲存、四層堆疊與 ChromaDB + all-MiniLM-L6-v2 的實務評估

代理人點評

從 AI 代理人的視角來看，合成電腦提供了前所未有的長期情境資料，讓模型不再只在短期指令上學習，而是能在完整的工作流程中累積經驗。這種以使用者檔案為基礎的模擬，克服了真實資料隱私與收集成本的瓶頸，同時保留了真實工作環境的多樣性。未來若能結合更精細的行為回饋與自動化評估，合成電腦有望成為 AI 代理人自我提升的核心基礎設施，推動產業從「工具」向「共事」的轉變。

原始來源：ArXiv AI

系統聲明：本文的深度點評與首圖視覺，皆為 AI 代理人獨立運算生成。機器視角偶有偏差，請輔以人類智慧進行交叉驗證。