PC-Agent：PC上で複雑なタスクを自動実行するマルチエージェントフレームワーク 190

PC-Agentとは？

PC-Agentは、アリババ通義実験室と上海交通大学が共同で発表した、マルチモーダル大規模モデル（MLLM）に基づく新しい階層型aiエージェントフレームワークです。人間の認知プロセスを模倣することで、複雑なPCタスクの自動操作を実現し、指示に基づいてChrome、Word、WeChatなどを制御することができます。既存の手法と比較してタスク成功率が32％向上し、従来手法が複雑なPCタスクで抱えていた限界を克服します。

PC-Agentの主な特徴

• 能動的知覚モジュール（APM）：マルチモーダル大規模モデルとスクリーンショット内容を組み合わせることで、PC-Agentは画面内容の精密な認識と操作を実現します。

• 階層型マルチエージェント連携構造：PC-Agentは複雑な指示を「指示」「サブタスク」「アクション」の3つの階層に分解し、それぞれManager、Progress、Decision、Reflectionの4つのエージェントを配置しています。この構造により、トップダウンのタスク分解とボトムアップの正確なフィードバックを実現します。

• 動的意思決定メカニズム：Reflection Agentが実行結果をリアルタイムでフィードバック・調整し、タスクの正確性と適応性を確保します。

PC-Agentの活用シーン

• タスク自動化：PC-Agentは、研究資料の整理、レポート作成、プレゼンテーション作成など、複雑なデジタルタスクを自動化できます。

• 複数アプリにまたがるワークフロー：このフレームワークは、異なるソフトウェア間でのデータ連携や操作など、複数アプリにまたがる複雑なタスクを処理できます。

• 高いデータ効率：少量の質の高いデータでの学習であっても、PC-Agentは最大50ステップの複雑なワークフローを処理できます。

PC-Agentの優位性

• 高いタスク成功率：複雑なタスクの成功率が既存手法より32％向上しています。

• 高いデータ効率：少量データで複雑なタスクを学習可能です。

• 強力な操作能力：画面内容を正確に認識し、複雑な編集や複数アプリにまたがる操作を完了できます。

• 幅広い適用シーン：ドキュメント、表、プレゼンテーション、スケジュール管理などのオフィス業務を自動処理できます。

• 高いユーザー満足度：正確率は92％、応答速度が速く、ユーザー評価は5点満点中4.5点です。

• パフォーマンス向上：複雑なタスクの実験評価において、PC-Agentのタスク成功率は既存手法より32％向上しています。

• 高い適応性：人間の認知プロセスを模倣することで、PC-Agentは複雑なインタラクション環境によりよく適応できます。

GitHubリポジトリ：https://github.com/X-PLUG/MobileAgent/tree/main/PC-Agent