随着人工智能技术的飞速发展，自动化工具在提高工作效率和改善用户体验方面发挥着越来越重要的作用。微软公司推出的UFO²（UFO Squared），是一个面向 Windows 桌面的多智能体操作系统（AgentOS），致力于通过深度系统集成和自然语言交互实现复杂桌面任务的自动化。UFO² 不仅解决了现有自动化工具在任务执行效率、鲁棒性和用户体验方面的不足，还通过创新的技术架构为桌面自动化领域带来了新的突破。

一、项目概述

UFO² 是微软推出的一款面向 Windows 桌面的多智能体操作系统（AgentOS），基于深度系统集成和自然语言交互实现复杂桌面任务的自动化。UFO² 通过中央 HostAgent 分解任务并协调多个应用专用的 AppAgent 执行操作，结合 GUI 交互和原生 API 调用，提高任务执行的效率和鲁棒性。UFO² 引入混合控制检测、持续知识整合和非干扰式用户体验设计，支持在隔离的虚拟桌面中运行，避免干扰用户操作。UFO² 在多个真实 Windows 应用中表现出色，显著提升自动化任务的成功率和执行效率。

二、技术原理

（一）多智能体架构

这一架构由一个中央HostAgent 和多个应用专用的 AppAgent 组成，HostAgent 负责解析用户指令并分解任务，而 AppAgent 则执行具体操作。这种设计不仅提高了任务执行的效率，还增强了系统的鲁棒性，因为各个智能体能够独立工作且互不干扰。

（二）混合控制检测

UFO² 结合了 Windows UI Automation（UIA）APIs 提供的结构化数据和基于视觉的检测模型，以实现对标准和自定义 UI 元素的可靠识别。这种混合方法确保了智能体能够在各种复杂的 UI 环境中准确地定位和操作元素，无论这些元素是常见的按钮和文本框，还是特殊的自定义控件。

（三）统一GUI/API 动作层

通过基于Puppeteer 模块的统一 GUI/API 动作层，UFO² 能够动态选择 GUI 操作或应用原生 API 调用。这种灵活性使得任务执行路径得以优化，减少了对 GUI 操作的依赖，从而提高了执行的稳定性和效率。

（四）持续知识整合

借助检索增强型记忆（RAG）技术，UFO² 将外部文档和历史执行记录整合到智能体的知识库中。这使得智能体能够在运行时动态学习和改进，不断提高任务执行的准确性和效率。

（五）推测性多动作执行

这一技术基于单次推理预测多个动作，并在运行时验证这些动作的可行性。通过减少推理调用频率，UFO² 不仅提高了执行效率，还降低了系统的资源消耗。

（六）非干扰式用户体验设计

UFO² 支持在隔离的虚拟桌面中运行，这意味着用户可以在不影响正常工作的前提下，让智能体在后台自动执行任务。这种设计极大地提高了用户的工作效率，同时也确保了用户数据的安全性和隐私性。

三、主要功能

1.深度操作系统集成：UFO² 能够深度集成到 Windows 系统中，实现对桌面应用的精细控制。这种深度集成使得智能体可以像人类用户一样与应用程序进行交互，执行各种操作，如打开文件、编辑文档、发送邮件等。而且，它能够利用 Windows 系统的原生 API，实现更高效、更稳定的操作。

2.非干扰式用户体验：通过在隔离的虚拟桌面中运行，UFO² 确保了用户和智能体可以同时进行操作而互不干扰。这种设计让用户在使用自动化功能的同时，仍能正常进行其他工作，不会受到自动化任务的影响，极大地提高了工作效率和用户体验。

3.多轮交互支持：UFO² 支持多轮任务执行，允许用户在会话中逐步细化指令或干预智能体的操作。这一功能使得用户能够更灵活地控制自动化过程，及时调整任务参数或纠正智能体的错误操作，确保任务的准确完成。

4.混合控制检测：结合 UIA 和视觉检测技术，UFO² 能够准确识别各种复杂的 UI 元素，包括标准控件和自定义控件。这使得智能体能够在不同的应用环境中稳定地执行任务，不受 UI 变化的影响，提高了自动化任务的可靠性和适应性。

5.统一 GUI/API 动作层：通过动态选择 GUI 操作或应用原生 API 调用，UFO² 可以根据任务需求自动选择最优的执行方式。这种灵活性不仅提高了任务执行的效率，还减少了因 UI 变化导致的执行失败，使得自动化任务更加稳定和可靠。

6.持续知识整合：UFO² 持续整合外部文档和历史执行记录，不断更新和扩充智能体的知识库。这使得智能体能够不断学习和进步，更好地理解和处理各种任务，提高任务执行的准确性和效率。

7.推测性多动作执行：通过预测多个动作并验证其可行性，UFO² 减少了推理调用的频率，提高了任务执行的速度。同时，这种技术还能确保动作序列的连贯性和正确性，避免了因中间步骤失败而导致的整个任务中断，提高了自动化任务的整体质量和可靠性。

四、应用场景

1.办公自动化：UFO² 在办公场景中大显身手，能够自动处理 Excel 数据、编辑 Word 文档、制作 PowerPoint 演示文稿等。例如，它可以自动从多个数据源收集数据，进行数据分析和处理，然后生成专业的报告和演示文稿，极大地提高了办公效率，节省了大量的时间和人力成本。

2.跨应用工作流：当需要协调多个应用完成复杂任务时，如从 Excel 导入数据到 Outlook，UFO² 能够轻松应对。它通过 HostAgent 的任务分解和调度功能，以及 AppAgent 的应用专用操作能力，确保了跨应用工作流的顺畅执行，实现了不同应用之间的数据无缝流转和协同工作，提高了企业业务流程的效率和准确性。

3.企业任务自动化：对于企业中的各种重复性任务，如数据录入、文件处理等，UFO² 可以实现高效自动化。它能够减少人工干预，降低错误率，提高任务执行的速度和质量，从而提升企业的整体运营效率，使员工能够将更多的时间和精力投入到更具创造性和价值的工作中。

4.智能客服：在客服领域，UFO² 可以快速响应用户请求，并基于自然语言交互解决问题。它能够自动理解用户的咨询内容，查询相关信息，并提供准确的解决方案，提高客户满意度。此外，UFO² 还可以与企业内部的客服系统集成，实现更复杂的客服流程自动化，如自动工单创建、知识库查询等。

5.教育与培训：UFO² 为教育领域带来了新的可能性。它可以辅助教学，自动演示操作或生成学习报告。

例如，在计算机编程课程中，UFO² 可以自动演示代码编写和调试过程，帮助学生更好地理解和掌握编程知识。同时，它还可以为教师生成教学报告，分析学生的学习情况，为教学改进提供数据支持。

五、快速使用

为了帮助开发者快速上手使用UFO²，以下是详细的部署和使用实践步骤：

（一）安装环境

克隆项目代码：

git clone https://github.com/microsoft/UFO.gitcd UFO

安装依赖：

pip install -r requirements.txt

（二）配置LLM

配置HostAgent 和 AppAgent 的 LLM，编辑 `ufo/config/config.yaml` 文件：

VISUAL_MODE: TrueAPI_TYPE: "openai"API_BASE: "https://api.openai.com/v1/chat/completions"API_KEY: "sk-"API_VERSION: "2024-02-15-preview"API_MODEL: "gpt-4-vision-preview"

（三）启动UFO²

在Windows 命令行中运行以下命令：

python -m ufo --task <your_task_name>

如果一切正常，你会看到以下提示：

Welcome to use UFO��, A UI-focused Agent for Windows OS Interaction.

“`

输入你的任务请求，UFO² 将自动执行任务并返回结果。

任务执行日志和截图将保存在`./ufo/logs/<your_task_name>/` 文件夹中。

六、结语

UFO² 作为微软推出的 Windows 桌面 Agent 操作系统，通过创新的多智能体架构和深度系统集成，为桌面自动化领域带来了新的突破。它不仅在任务执行效率和鲁棒性方面表现出色，还通过非干扰式用户体验设计和安全保障机制，确保用户在使用过程中的舒适性和安全性。

七、项目地址

项目官网：https://microsoft.github.io/UFO/

GitHub仓库：https://github.com/microsoft/UFO

arXiv技术论文：https://arxiv.org/pdf/2504.14603

（文：小兵的AI视界）