零依赖的长程智能体工作流编排引擎参考实现,把 MiniMax M3.1 Flash「太空兔」在复杂 Agent 任务上的能力拆成五个可复用工程件:多步规划、连续工具调用、电脑操作(GUI)动作接地、 长程工作记忆、稀疏注意力推理加速。填好配置、
python -m taskforge即可完整跑通。
M3.1 Flash 能拿下 AutomationBench 全场第一、OSWorld 61.7、DeepSWE 73.7,靠的不是更大参数, 而是把「复杂长程任务」拆成三层可组合结构 + 一个省算力的推理路径。taskforge 完整复刻这套思路:
自然语言目标 → 有序子目标 DAG。每个子目标必须对应一个明确工具动作,后步子目标依赖前步产出。
配合 ThinkingBudget 按步衰减分配思考 token,模拟 flash 模型的性价比逻辑。
每个子目标绑定「工具 schema + 参数 + 结果校验 + 重试/回滚」,让一条链从头跑到尾, 单步失败不中断整条链。
屏幕建模成「UI 元素树」而非原始像素,把自然语言意图接地为 (element_id, action) 的离散选择,
跨应用状态机跟踪「现在在哪个 app」。
20 步以上的工作流靠一个 scratchpad 记录进度;「连续失败计数」触发卡点恢复,而非单次失败。
索引分支低秩打分 O(n·rank) 选出 top-k 块,稀疏分支只对这些块做 softmax,
加速比 ≈ n_blocks / top_k。
# 冒烟自检(5 后端 + 规划/工具/接地/稀疏 + 引擎端到端)
python -m taskforge doctor
# 训练 + 全基准
python -m taskforge bench
# 单目标工作流
python -m taskforge run --goal goal-0
# HTTP 服务
python -m taskforge serve --host 127.0.0.1 --port 8787Docker:
docker compose -f deploy/docker-compose.yml up --build数值由 mock 后端实时测量;
skill = 0.5为随机基线、skill = 1.0为满分。
| 基准 | 含义 | skill=0.5 | skill=1.0 |
|---|---|---|---|
| planning | 多步规划成功率 | 0.094 | 1.00 |
| tools | 工具链准确率 | 0.556 | 1.00 |
| gui | GUI 动作接地准确率 | 0.453 | 1.00 |
| sparse | 黄金块召回率(加速比 2.0×) | 0.497 | 1.00 |
| longhorizon | 长程完成率(horizon=8) | 0.0 | 1.00 |
长程任务卡点恢复的价值(skill=0.8):无恢复完成率 0.25 → 有恢复 0.8125(约 3.25×)。
- 单一真值 oracle:mock 后端与所有基准共享同一确定性真值,训练是否有效可被严格验证。
- 单调训练信号:
boost = (skill - 0.5) * 2,skill=0.5 时 boost 恰为 0(随机基线)、 skill=1.0 恒正确;绝不用「对 +1 / 错 -1」的随机游走。 - 声明规模与实例化解耦:560B 总参 / 25B 激活 / 1M 上下文 / 200 TPS 只作配置声明, 不实例化真实大张量,纯 Python 跑得动。
- 确定性随机:
md5(key)前 8 字节做种子驱动random.Random,任何 key 输出可复现。
taskforge/
planner/ 多步规划 + ReAct + 思考预算
tools/ 工具 schema + 注册表 + 编排器
gui/ 屏幕模型 + 动作接地 + 状态机
memory/ 工作记忆 + 卡点检测
sparse/ 稀疏注意力 + 分块路由
model/ 5 后端(mock/openai/vllm/transformers/anthropic)
bench/ 5 基准(planning/tools/gui/sparse/longhorizon)
serving/ HTTP 服务 + CLI
utils/ yamlish / stable / hashing
tests/ 单元测试
examples/ 9 个可运行示例
docs/ 架构 / API / 快速上手
prompts/ 5 个提示词模板
recipes/ 4 个可复用配方
deploy/ Docker / K8s / Helm / CI