Cognitive Kernel-Pro: Een Framework voor Deep Research Agents en Training van Agent Foundation Models
Cognitive Kernel-Pro: A Framework for Deep Research Agents and Agent Foundation Models Training
August 1, 2025
Auteurs: Tianqing Fang, Zhisong Zhang, Xiaoyang Wang, Rui Wang, Can Qin, Yuxuan Wan, Jun-Yu Ma, Ce Zhang, Jiaqi Chen, Xiyun Li, Hongming Zhang, Haitao Mi, Dong Yu
cs.AI
Samenvatting
Algemene AI-agents worden steeds meer erkend als fundamentele kaders voor de
nieuwe generatie kunstmatige intelligentie, die complex redeneren, webinteractie,
codering en autonome onderzoeksmogelijkheden mogelijk maken. Huidige
agentsystemen zijn echter ofwel closed-source of sterk afhankelijk van een
verscheidenheid aan betaalde API's en propriëtaire tools, wat de toegankelijkheid
en reproduceerbaarheid voor de onderzoeksgemeenschap beperkt. In dit werk
presenteren we Cognitive Kernel-Pro, een volledig open-source en (zoveel mogelijk)
gratis multi-module agentframework ontworpen om de ontwikkeling en evaluatie van
geavanceerde AI-agents te democratiseren. Binnen Cognitive Kernel-Pro onderzoeken
we systematisch het samenstellen van hoogwaardige trainingsdata voor Agent
Foundation Models, met de focus op het construeren van queries, trajecten en
verifieerbare antwoorden over vier belangrijke domeinen: web, bestanden, code en
algemeen redeneren. Daarnaast verkennen we nieuwe strategieën voor reflectie en
stemming tijdens de testfase van agents om de robuustheid en prestaties van
agents te verbeteren. We evalueren Cognitive Kernel-Pro op GAIA en behalen
state-of-the-art resultaten onder open-source en gratis agents. Opmerkelijk is
dat ons open-source model met 8B parameters eerdere toonaangevende systemen zoals
WebDancer en WebSailor overtreft, waarmee een nieuwe prestatiestandaard wordt
gevestigd voor toegankelijke, hoogwaardige AI-agents. De code is beschikbaar op
https://github.com/Tencent/CognitiveKernel-Pro
English
General AI Agents are increasingly recognized as foundational frameworks for
the next generation of artificial intelligence, enabling complex reasoning, web
interaction, coding, and autonomous research capabilities. However, current
agent systems are either closed-source or heavily reliant on a variety of paid
APIs and proprietary tools, limiting accessibility and reproducibility for the
research community. In this work, we present Cognitive Kernel-Pro, a
fully open-source and (to the maximum extent) free multi-module agent framework
designed to democratize the development and evaluation of advanced AI agents.
Within Cognitive Kernel-Pro, we systematically investigate the curation of
high-quality training data for Agent Foundation Models, focusing on the
construction of queries, trajectories, and verifiable answers across four key
domains: web, file, code, and general reasoning. Furthermore, we explore novel
strategies for agent test-time reflection and voting to enhance agent
robustness and performance. We evaluate Cognitive Kernel-Pro on GAIA, achieving
state-of-the-art results among open-source and free agents. Notably, our
8B-parameter open-source model surpasses previous leading systems such as
WebDancer and WebSailor, establishing a new performance standard for
accessible, high-capability AI agents. Code is available at
https://github.com/Tencent/CognitiveKernel-Pro