CoAct-1: Agenti informatici con la codifica come azione

Abstract

Gli agenti autonomi che operano sui computer tramite Interfacce Grafiche Utente (GUI) spesso incontrano difficoltà in termini di efficienza e affidabilità quando affrontano compiti complessi e a lungo termine. Sebbene l'integrazione di pianificatori possa migliorare la scomposizione dei compiti, questi agenti rimangono limitati dalle restrizioni intrinseche dell'esecuzione di tutte le azioni tramite manipolazione della GUI, portando a fragilità e inefficienza. In questo lavoro, introduciamo un paradigma più robusto e flessibile: consentire agli agenti di utilizzare la codifica come azione potenziata. Presentiamo CoAct-1, un innovativo sistema multi-agente che combina sinergicamente il controllo basato su GUI con l'esecuzione programmatica diretta. CoAct-1 include un Orchestratore che delega dinamicamente i sottocompiti a un tradizionale Operatore GUI o a un agente Programmatore specializzato, in grado di scrivere ed eseguire script in Python o Bash. Questo approccio ibrido consente all'agente di bypassare sequenze di azioni GUI inefficienti per compiti come la gestione dei file e l'elaborazione dei dati, continuando a sfruttare l'interazione visiva quando necessario. Valutiamo il nostro sistema sul benchmark impegnativo OSWorld, dove CoAct-1 raggiunge un nuovo tasso di successo all'avanguardia del 60,76%, superando significativamente i metodi precedenti. Inoltre, il nostro approccio migliora drasticamente l'efficienza, riducendo il numero medio di passi necessari per completare un compito a soli 10,15, rispetto ai 15 degli agenti GUI leader. I nostri risultati dimostrano che integrare la codifica come azione centrale offre un percorso più potente, efficiente e scalabile verso l'automazione generalizzata dei computer.

English

Autonomous agents that operate computers via Graphical User Interfaces (GUIs) often struggle with efficiency and reliability on complex, long-horizon tasks. While augmenting these agents with planners can improve task decomposition, they remain constrained by the inherent limitations of performing all actions through GUI manipulation, leading to brittleness and inefficiency. In this work, we introduce a more robust and flexible paradigm: enabling agents to use coding as a enhanced action. We present CoAct-1, a novel multi-agent system that synergistically combines GUI-based control with direct programmatic execution. CoAct-1 features an Orchestrator that dynamically delegates subtasks to either a conventional GUI Operator or a specialized Programmer agent, which can write and execute Python or Bash scripts. This hybrid approach allows the agent to bypass inefficient GUI action sequences for tasks like file management and data processing, while still leveraging visual interaction when necessary. We evaluate our system on the challenging OSWorld benchmark, where CoAct-1 achieves a new state-of-the-art success rate of 60.76%, significantly outperforming prior methods. Furthermore, our approach dramatically improves efficiency, reducing the average number of steps required to complete a task to just 10.15, compared to 15 for leading GUI agents. Our results demonstrate that integrating coding as a core action provides a more powerful, efficient, and scalable path toward generalized computer automation.

CoAct-1: Agenti informatici con la codifica come azione

CoAct-1: Computer-using Agents with Coding as Actions

Abstract

Support