Proactive Agent

新闻

[2025/03/21]: Proactive Agent 和 Reward Agent 的模型已发布！请点击此处查看模型。
[2025/01/22]: 我们的论文已被 ICLR 2025 接收。

本项目 (Proactive Agent) 旨在构建一个完全主动的智能体，它能够预判用户的需求并主动采取行动，在用户未明确提出请求的情况下提供帮助并建议执行操作。我们通过开发数据收集与生成流水线、构建自动化评估器以及在生成的数据上训练智能体来实现这一目标。目前，我们提供了完整的收集与生成流水线、数据集、相应的评估脚本，以及用于微调 LLM 以实现 Proactive Agent 的 Prompt。

阅读此文档的中文版本。 阅读此文档的日本語版本。

概览

✨ 以下是 Proactive Agent 整体流程的概览。

✨✨ 特性：

环境感知 (Environment Sensing)：我们提供了通过 Activity Watcher 收集环境场景和用户活动的脚本，并基于模型自动推荐任务。
辅助标注 (Assistance Annotation)：我们提供了一个平台来标注由 Proactive Agent 生成的响应，这是将结果与人工标注对齐的有效方式。
动态生成 (Dynamic Generation)：我们提供了动态生成新数据的流水线，用户的反馈可以影响后续事件。
构建流水线 (Construction Pipeline)：我们提供了一个由 Environment Gym、Proactive Agent 和 Reward Model 组成的生成流水线，其中我们的 Reward Model 在测试集上的 F1 分数达到了 0.918。

我们还提供了一个演示视频来展示该智能体的性能。

https://github.com/user-attachments/assets/81e56660-727f-4ba8-b26c-d28b580a8b0a

在未来，我们将持续提升数据质量并扩大对真实世界场景的覆盖范围。

数据

👐 Proactive Agent 目前仅适用于编程、写作和日常生活场景，不应被视为反映了该数据集创建者、所有者或贡献者的观点或立场。本项目采用 Apache License 2.0 协议发布。以下是数据统计信息：

设置	编程	写作	日常生活	总计
指令数量	46	46	44	136
事件数量	2275	2354	2161	6790

Proactive Agent 的所有训练实例均由我们的 GYM 生成。我们利用 Activity Watcher 收集所有场景中的人类行为轨迹，并标注了一个测试集来验证 Proactive Agent 的有效性。关于数据收集和标注的更多详细信息，请访问这里。

📦 安装

克隆此仓库并进入 Proactive Agent 文件夹：

git clone git@github.com:thunlp/ProactiveAgent
cd ProactiveAgent

安装软件包：

conda create -n activeagent python=3.10
conda activate activeagent
pip install -r requirements.txt

安装 Activity Watcher

您可以前往官方网站根据您的操作系统下载主应用程序。
Chrome 扩展程序位于 ./agent/resource/aw-watcher-web.zip。要安装此扩展，您需要下载并解压该文件。
- 对于 Edge 用户：前往 edge://extensions/ 页面，开启开发人员模式，通过点击“加载解压的扩展”来加载扩展。
- 对于 Google Chrome 用户：前往 chrome://extensions/ 页面，开启开发人员模式，选择“加载解压的扩展”来加载解压后的扩展。
- 此扩展尚未在 Safari 下进行测试。
VS Code 用户有官方扩展程序，您可以从 Marketplace 下载，或者在 VS Code 的扩展插件中搜索 aw-watcher-vscode 进行安装。

要检查安装是否完成，请打开浏览器并访问 http://localhost:5600/#/timeline，查看窗口中是否有四个轨迹显示（afk, vscode, window, web）。

🚀 使用方法

配置

您首先需要配置 private.toml 文件。示例已在 example_config.toml 中给出：

cp example_config.toml private.toml

您需要将 default_completions_model、api_key 和 base_url 修改为您自己的设置。

运行 Proactive Agent

要体验我们的 Proactive Agent，请先进入 ./agent 文件夹，然后按照此处的说明进行操作。

连接 Reward Model

为了提升 Proactive Agent 的体验，您可以使用我们构建的 Reward Model 来筛选来自 Proactive Agent 的消息。连接步骤如下：