Cradle是什么
Cradle是面向通用计算机控制（General Computer Control, GCC）的多模态AI Agent框架，由昆仑万维携手北京智源人工智能研究院、新加坡南洋理工大学、北京大学等顶尖名校机构推出的通用计算机控制框架，使AI Agent无需训练便能像人一样直接控制键盘鼠标，不依赖任何内部API，实现任意开闭源软件交互。 Cradle是迄今为止第一个既能玩多种商业游戏又能操作各种软件应用的AI框架，其论文、项目、代码均已开源。
Cradle的主要功能
- 信息收集：从屏幕图像和可能的声音中提取多模态信息，用于决策制定。
- 自我反思：评估先前行动的成功与否，并分析失败原因，以指导后续行动。
- 任务推断：根据当前环境和历史信息，推断并选择最佳的下一个任务。
- 技能策划：生成和更新与给定任务相关的技能，以适应不同的计算机操作需求。
- 动作规划：为键盘和鼠标控制生成具体操作，将策略转化为可执行的命令。
Cradle的技术原理
- 多模态输入处理：Cradle能接收并处理屏幕图像和音频的多模态输入，模拟人类感知方式理解计算机界面和环境。
- 信息提取与理解：用大型多模态模型（如GPT-4V）来识别图像中的视觉元素、文本信息和音频中的指令或反馈。
- 自我反思机制：通过反思模块，Cradle评估之前执行动作是否成功，并分析失败原因，为调整策略提供依据。
- 任务推断与规划：Cradle通过任务推断模块确定当前的优先任务，并在动作规划模块中制定出新动作完成任务。
- 技能生成与更新：技能策划模块负责根据当前任务生成新的技能或更新现有技能，技能以代码函数的形式存在，可以被实例化并执行。
- 记忆与知识管理：Cradle拥有长期和短期记忆系统，存储过去的经验和技能，在需要时进行检索和应用。
Cradle的项目地址
-
arXiv技术论文：https://arxiv.org/pdf/2403.03186
Cradle的应用场景
- 桌面软件自动化：自动化执行桌面软件中的重复性任务，如文档编辑、表格处理、图像编辑等。
- 网页内容交互：模拟用户与网页的交互，包括填写表单、点击按钮、导航链接等。
- 游戏环境：在游戏环境中，如Red Dead Redemption II，Cradle可控制游戏角色执行任务、探索环境、战斗等。
- 专业软件操作：在需要专业技能的软件中，如图形设计或视频编辑软件，Cradle可学习并执行特定的创作任务。
- 日常计算机任务：执行日常计算机使用中的任务，比如文件管理、电子邮件处理、日程安排等。
