مقاله‌ی arXiv:2610.04116 · منتشرشده در کانال
CUAWright: A Minimal Unified Interface for Digital Agents
کوآرایت: رابط یکپارچه‌ی کمینه برای ایجنت‌های دیجیتال بر پایه‌ی ترمینال و فایل‌سیستم
- تاریخ
- (۱۰ مهر ۱۴۰۵) 2026-10-02 تأییدشده از روی تاریخ ارسال نسخه‌ی اول در آرکایو
- نویسنده‌ها
- Yadong Lu, Theodore Lee, Yifei Li, Lawrence Keunho Jang, Tianci Xue, Yu Su, Huan Sun, Ahmed Hassan Awadallah
- نهاد نویسنده‌ها
- Microsoft Research; National University of Singapore; The Ohio State University
- موضوع‌ها
خلاصه‌ی فارسی
مسئله
رویکرد رایج برای ایجنت‌های استفاده از کامپیوتر، مدل را با هارنسی ویژه‌ی دامنه جفت می‌کند: محیط مرورگر یا دسکتاپ با ابزارهای مهندسی‌شده‌ی ثابت. با بهتر شدن توان کدنویسی مدل‌ها، این هارنس ایستا و مبتنی بر رابط گرافیکی جلوی عملیات برنامه‌ای مستقیم روی وضعیت سیستم و ساخت انعطاف‌پذیر ابزار را می‌گیرد؛ مثلاً ایجنت به جای ویرایش مستقیم یک فایل پیکربندی مجبور است در منوها کلیک کند.
روش
هارنس ترمینالی CUAWright با حدود ۳ هزار خط کد، دستورهای bash را تنها رابط کنش قرار می‌دهد و فایل‌سیستم را فضایی قابل تکامل برای ساخت پویای ابزار و مدیریت کانتکست می‌کند. آزمایش‌ها روی شش بنچمارک وب، دسکتاپ و نرم‌افزارهای طراحی انجام شد.
یافته‌ها
- روی OSWorld ۲٫۰ پاداش جزئی را ۳۳٫۲ درصد نسبی بهتر کرد و هزینه‌ی تخمینی را ۳۷٫۵ درصد نسبت به پایه‌ی منتشرشده‌ی GPT-5.5 کم کرد.
- روی Online-Mind2Web و بنچمارک بلندمدت Odysseys به ترتیب ۴٫۷ و ۴۴٫۰ درصد نرخ موفقیت بیشتری از هارنس گرافیکی گرفت.
- روی CADGenBench و BenchCAD با GPT-5.5، ۸٫۱ تا ۴۱٫۶ درصد بهبود نسبی نسبت به هارنس‌های دیگر مبتنی بر خط فرمان داد.
محدودیت‌ها
نویسنده‌ها می‌گویند تغییر مستقیم وضعیت سیستم ریسک اضافه دارد: کنش‌هایی که فایل‌ها، پیکربندی‌ها یا وضعیت برنامه را تغییر می‌دهند ممکن است اثر ناخواسته یا برگشت‌ناپذیر داشته باشند و پرسش‌های عملی درباره‌ی کنترل دسترسی، بازگشت و بازیابی پیش می‌آورند.
چرا مهم است
محیط‌های دیجیتال خیلی بیشتر از آنچه رابط گرافیکی نشان می‌دهد برنامه‌پذیرند. این کار نشان می‌دهد یک ترمینال ساده می‌تواند از ابزارهای مهندسی‌شده‌ی گرافیکی هم بهتر و هم ارزان‌تر باشد.