❤️ 如果你也关注 AI 的发展现状，且对 AI 应用开发感兴趣，我会每日分享大模型与 AI 领域的开源项目和应用，提供运行实例和实用教程，帮助你快速上手AI技术！
🥦 微信公众号｜搜一搜：蚝油菜花 🥦
🤖 "斯坦福爆款框架让AI学会「打配合」：人机协作竟比人类团队效率高27%？"
大家好，我是蚝油菜花。你是否经历过这些团队噩梦？
- 👉 凌晨三点还在等海外同事的邮件确认
- 👉 需求文档改了18版，AI助手却只会机械执行
- 👉 敏捷开发会议上，智能体永远在「掉线」状态...
今天揭秘斯坦福与CMU联合研发的 Collaborative Gym ，彻底打破人机协作次元壁！这个支持异步实时交互的革命性框架，让人工智能真正学会「察言观色」——
- ✅ 会议纪要秒变项目甘特图，AI自动拆解任务并@责任人
- ✅ 跨时区协作无需等待，智能体夜间值守推进任务
- ✅ 私有笔记智能关联，你的碎片灵感自动补全知识图谱
已有团队实测：在旅行规划任务中，人机组合比纯人类团队效率提升27%！接下来我们将拆解这个「最懂人性」的AI协作框架，手把手教你在本地部署智能协作者。
🚀 快速阅读
Collaborative Gym 是一个专注于人机协作的框架，支持人类与AI代理之间的实时交互与协作。它突破了传统多智能体框架中同步行动的限制，支持异步交互，并能处理代理、人类和任务环境之间的三方互动。
- 核心功能：支持异步交互，模拟真实的人类协作模式。
- 技术原理：采用通知协议和Redis服务器实现实时通信，支持公共和私有观测空间。
Collaborative Gym 是什么
Collaborative Gym（Co-Gym）是专注于人机协作（Human-Agent Collaboration）的框架，支持人类与AI代理之间的实时交互与协作。通过模拟和真实两种实验条件，支持开发者在受控环境中进行迭代开发，同时能在真实场景中部署和评估协作效果。Co-Gym 支持异步交互，能处理代理、人类和任务环境之间的三方互动。
Co-Gym 借鉴了 OpenAI Gym 的设计思路，针对人机协作进行了优化。支持在观测空间中定义公共和私有部分：公共部分对所有参与者可见，私有部分仅对所有者可见，模拟了真实协作场景中共享信息和个人笔记的区别。
Collaborative Gym 的主要功能
- 支持异步交互：Co-Gym 突破传统多智能体框架中同步行动的限制，支持人类和AI代理在协作中灵活地发起行动，无需严格按顺序交互。更接近真实的人类协作模式。
- 任务环境设计：Co-Gym 将每个任务定义为部分可观测马尔可夫决策过程（POMDP），支持公共和私有观测空间。公共部分对所有参与者可见，私有部分仅对所有者可见，类似于人类团队中共享白板和个人笔记的区别。
- 评估框架：Co-Gym 关注任务完成的结果，重视协作过程本身。提供了综合评估框架，从协作质量和协作过程两个维度对代理进行评估。
- 模拟与真实条件：Co-Gym 支持模拟和真实两种实验条件。模拟条件使用预收集的任务实例和模拟人类行为，便于快速迭代开发；真实条件支持与真实人类在实际任务环境中协作，支持旅行规划、文献综述和表格分析等多种任务。
Collaborative Gym 的技术原理
- 协作驱动的环境设计：Co-Gym 支持在观测空间中定义公共和私有部分，公共部分对所有参与者可见，私有部分仅对所有者可见。模拟了真实协作场景中共享信息和个人笔记的区别。
- 异步交互：Co-Gym 支持异步交互，支持人类和代理在必要时独立行动，无需等待对方响应。为此，Co-Gym 引入了两种协作行为：发送消息（SendTeammateMessage）和等待对方继续（WaitTeammateContinue），采用通知协议实时通知参与者环境的变化。
- 通知协议：Co-Gym 通过 Redis 服务器实现通知协议，支持四种事件类型：共享观测更新、私有观测变化、新消息通知以及环境不活动超时通知。这支持代理实时监控环境变化，更好地与人类协作。
- 任务环境接口（CoEnv）：Co-Gym 提供了灵活的任务环境接口，支持开发者轻松添加新的任务环境。开发者只需定义任务描述、动作空间和观测空间即可。Co-Gym 支持多种任务环境，如旅行规划、文献综述和表格数据分析。
如何运行 Collaborative Gym
1. 安装依赖包
conda create -n cogym python=3.11
conda activate cogym
pip install -r requirements.txt
2. 设置 API 密钥
复制 secrets.example.toml 文件并重命名为 secrets.toml，根据文件中的注释填写所需的字段。
3. 构建 Docker 镜像（用于 Jupyter 执行器）
cd docker
docker build -f Dockerfile_cpu -t cogym-jupyter-cpu-image .
4. 启动 Redis 服务器
docker run -d --name redis-stack -p 6379:6379 -p 8001:8001 redis/redis-stack:latest
5. 运行实验
完全自主代理实验：
python -m scripts.fully_auto_agent_exp \ --task {"travel_planning" or "related_work" or "tabular_analysis"} \ --start-idx {start_idx_of_simualted_dataset} \ --end-idx {end_idx_of_simulated_dataset} \ --team-member-config-path {configs/teams/auto_agent_team_config_xxx.toml} \ --result-dir-tag {result_dir_tag}人类-代理协作实验：
python -m scripts.collaborative_agent_exp \ --task {"travel_planning" or "related_work" or "tabular_analysis"} \ --start-idx {start_idx_of_simualted_dataset} \ --end-idx {end_idx_of_simulated_dataset} \ --team-member-config-path {"configs/teams/basic_coagent_simulated_user_team_config_xxx.toml" or "configs/teams/coagent_with_situational_planning_simulated_user_team_config_xxx.toml"} \ --result-dir-tag {result_dir_tag}
资源
❤️ 如果你也关注 AI 的发展现状，且对 AI 应用开发感兴趣，我会每日分享大模型与 AI 领域的开源项目和应用，提供运行实例和实用教程，帮助你快速上手AI技术！
🥦 微信公众号｜搜一搜：蚝油菜花 🥦
