編輯｜冷貓

2026 開年至今，人工智能圈子最火的是一只小龍蝦 Clawdbot 。

從 Clawdbot 到 OpenClaw，歷經(jīng)兩次改名都無法阻擋大家對它的熱情，一種全球性的集體渴望正在浮現(xiàn) —— 人們迫切希望擁有一個更高級、更通用、更可靠的超級智能體

過去的一年里，Agent 層出不窮，2025 年甚至被稱為是「AI 智能體元年」。 衡量一款智能體的真正實力，既要看通用場景的綜合解決能力，也需要考量垂直領(lǐng)域的核心專項能力，而 GAIA 通用智能基準榜單和 BrowseComp-Plus 深度研究基準榜單，比任何概念討論都更加直接。

去年，創(chuàng)業(yè)公司 Manus 的智能體爆火，也一并帶火了 GAIA 榜單。自此以后似乎每家的智能體都會試著在 GAIA 上刷個榜。而聚焦深度研究與網(wǎng)頁瀏覽能力的 BrowseComp-Plus 基準測試，也憑借嚴苛的評測標準，成為智能體檢索能力的核心比拼賽場。

最近，我們在翻閱兩大榜單時發(fā)現(xiàn)，榜首位置均迎來了新突破：基于 openJiuwen 這一新興開源項目構(gòu)建的 DeepAgent 和 DeepSearch 雙雙登頂 GAIA 和 BrowseComp-Plus 榜首。

DeepAgent 登頂 GAIA 榜首

基于 openJiuwen 構(gòu)建的DeepAgent 以 91.69% 的成績登頂 GAIA 榜首。一舉超越英偉達 Nemotron，以及一眾海內(nèi)外領(lǐng)先的智能體。

• 榜單鏈接：https://gaia-benchmark-leaderboard.hf.space/

GAIA 打榜：直面 Agent 最大的挑戰(zhàn)

GAIA 并不是一個討好大模型的榜單。

GAIA 是一個由Meta 與 Hugging Face聯(lián)合打造、專門面向 通用 Agent 能力 的評測基準，覆蓋 長程任務(wù)規(guī)劃、多模態(tài)理解、工具調(diào)用、復雜推理、執(zhí)行魯棒性等 12 類核心能力，設(shè)置 Level 1-3 三個等級難度，Level 3 級別的任務(wù)難度已接近人類水平，評測采用封閉測試集和自動化評分機制，全面而嚴苛地考核智能體的綜合能力水平。

根據(jù) Hugging Face 上對 GAIA 評測的簡介信息，人類參與者在這一基準測試上平均成功率大約達到 92%，而 GPT-4 即使有插件的幫助，也只能達到約 15% 左右的表現(xiàn)。

GAIA 的評測設(shè)計有幾個鮮明特點，它與傳統(tǒng) AI 基準的區(qū)別非常明顯，能夠?qū)⒋罅俊缚雌饋砗苈斆鳌沟闹悄荏w擋在門外。

1.真實世界難度（Real-world difficulty）：任務(wù)不僅涉及語言理解，還要求 推理、計劃、多模態(tài)處理、工具調(diào)用和執(zhí)行行為，逼近真實場景中智能體需要完成的工作。

2.人類可解釋性（Human interpretability）：盡管任務(wù)對于 AI 很難理解，但對人類而言概念清晰、可驗證；這使得評估結(jié)果更可信，也有助于對比人機差距。

3.防刷榜策略（Non-gameability）：GAIA 強調(diào)的是任務(wù)執(zhí)行全過程的質(zhì)量，正確答案需要完整執(zhí)行任務(wù)，「暴力破解」的方法無效。

openJiuwen-deepagent 以 91.69% 的分數(shù)的登頂，已經(jīng)幾乎無限接近人類參與者在 GAIA 測試上的約 92% 的成績。

這一成績意味著它在 規(guī)劃、執(zhí)行穩(wěn)定性、工具協(xié)同、多模態(tài)理解與任務(wù)閉環(huán)等維度形成了系統(tǒng)級優(yōu)勢，意味著通用智能體已經(jīng)能夠達到接近人類的任務(wù)執(zhí)行能力。

DeepAgent 實際表現(xiàn)。任務(wù)：基于 youtube 做菜視頻，自動分析并購買食材。

以一個典型的 browser use 任務(wù)為例，就能直觀看出 DeepAgent 的「執(zhí)行力天花板」。

用戶只需下發(fā)一個指令，DeepAgent 就能夠?qū)崿F(xiàn)解析 YouTube 美食視頻，自動識別食材清單；隨后在電商網(wǎng)站中按清單逐項搜索、加購，并實時進行比價校驗。待所有食材準備就緒后，Agent 將操作權(quán)交還給用戶確認支付，整個流程一氣呵成，展現(xiàn)出在真實復雜場景中的穩(wěn)定執(zhí)行能力。

DeepAgent 背后：解鎖霸榜能力

DeepAgent 能夠登頂 GAIA，并不是偶然，而是因為它在設(shè)計之初就已正中榜單「命門」。在 GAIA 評測中，高分意味著同時滿足幾個苛刻條件：

• 能理解模糊、長鏈路、多約束的自然語言任務(wù)
• 能進行多步規(guī)劃，而不是線性執(zhí)行
• 能穩(wěn)定調(diào)用工具、訪問網(wǎng)頁、處理文件、執(zhí)行代碼
• 能在失敗或信息缺失時自我修正，避免崩潰或幻覺

三大核心理念，揭開了 DeepAgent「霸榜 GAIA」的秘密。

1、Agent 動態(tài)自演進引擎：從「線性執(zhí)行」到「閉環(huán)自治」

在實際任務(wù)中，Agent 面對的是自然語言指令，需要將自然語言指令結(jié)構(gòu)化，把模糊需求拆解為可落地的步驟。在執(zhí)行任務(wù)時，Agent 必須能夠根據(jù)實時反饋動態(tài)調(diào)整計劃，確保任務(wù)在變化中能夠順利完成。

為此，DeepAgent 同時運行「規(guī)劃 — 執(zhí)行」與「觀測 — 反思」兩條閉環(huán)：它不只是將自然語言指令結(jié)構(gòu)化拆解，更像是一位擁有「監(jiān)控室」的指揮官：在運行時持續(xù)審視執(zhí)行結(jié)果。一旦感知到環(huán)境異?；蜻壿嬈?，系統(tǒng)會立即觸發(fā)局部回滾與自我修復，避免智能體陷入「不撞南墻不回頭」的典型失敗模式。

同時，基于openJiuwen 的 Agent 自演進能力，DeepAgent 為其核心引擎裝上了可演進外置記憶模塊作為「數(shù)字大腦」。這不只是簡單的數(shù)據(jù)存儲，而是一個具備自愈能力的認知中心：可精準診斷任務(wù)執(zhí)行錯誤的癥結(jié)，依托外置記憶的反饋機制實現(xiàn)邏輯的閉環(huán)修正，自主生成優(yōu)化策略后驅(qū)動后續(xù)執(zhí)行能力持續(xù)迭代提升。

2、多層級上下文引擎：保障 Agent 認知一致性

在 GAIA 這類高難度任務(wù)中，真正的挑戰(zhàn)往往在于「是否基于可靠信息持續(xù)推理」。為此，DeepAgent 設(shè)計了一套分層融合、全程可溯、長程一致的上下文系統(tǒng)。將會話記錄、項目知識、領(lǐng)域規(guī)則與實體關(guān)系分層存儲與動態(tài)關(guān)聯(lián)，形成結(jié)構(gòu)化體系。每個推理步驟附加來源證據(jù)鏈，確保輸出結(jié)果的可解釋性。

同時，基于openJiuwen 上下文壓縮能力，在長程任務(wù)中，及時壓縮與卸載無關(guān)上下文，使 Agent 在長程任務(wù)中保持內(nèi)在一致性和可信度，而不是越走越「失真」。

3、異步工具編排總線：實現(xiàn)異構(gòu)工具的統(tǒng)一調(diào)度與可靠執(zhí)行

面對復雜工具鏈，凌亂的 API 調(diào)用往往是系統(tǒng)崩潰的誘因，Agent 必須具備像調(diào)度團隊一樣調(diào)用不同的專家模塊，各司其職。同時，它也必須能夠在合適的時機使用外部工具和系統(tǒng)，確保執(zhí)行既高效又可靠。

GAIA 的任務(wù)大量涉及真實環(huán)境操作，DeepAgent 并未將這些能力零散地「外包」給各類獨立工具，而是通過統(tǒng)一的工具網(wǎng)關(guān)與編排機制，把外部 API、系統(tǒng)與數(shù)據(jù)庫抽象為標準化能力節(jié)點，不僅支持高并發(fā)的異步調(diào)度，更實現(xiàn)了工具調(diào)用的可控、可查、可回放，支持執(zhí)行過程復盤與可靠性審計。

在 GAIA 的真實環(huán)境操作中，DeepAgent 像調(diào)度專家團隊一樣精準分配任務(wù)，確保每一次工具輸出都能轉(zhuǎn)化為穩(wěn)定得分的生產(chǎn)力。

整個任務(wù)流程下來，這些能力像一串解鎖的技能樹，共同支撐智能體在 GAIA 的復雜任務(wù)中穩(wěn)穩(wěn)得分。在 Agent 進入生產(chǎn)力時代的拐點上，真正決定上限的，不是模型，而是智能體能力設(shè)計的深度。

DeepSearch 登頂 BrowseComp-Plus 榜首

基于 openJiuwen 構(gòu)建的DeepSearch 以 80% 的準確率登頂 BrowseComp-Plus 榜首

• 榜單鏈接：https://huggingface.co/spaces/Tevatron/BrowseComp-Plus

BrowseComp-Plus 榜單：攻堅深度搜索核心考驗

BrowseComp-Plus 是業(yè)內(nèi)衡量智能體深度搜索、研究與網(wǎng)頁瀏覽能力的核心權(quán)威基準，作為OpenAI BrowseComp基準的升級版本，覆蓋多跳檢索、跨源信息整合、檢索推理規(guī)劃及網(wǎng)頁內(nèi)容理解等核心能力。考驗智能體從海量語料中高效挖掘有效信息、排除干擾并形成精準答案的實戰(zhàn)能力。

BrowseComp-Plus 評分機制極具科學性：

1. 采用固定人工驗證語料庫搭建測試環(huán)境，每個測試問題均配套人類驗證的支撐文檔與高難度干擾文檔，徹底規(guī)避實時網(wǎng)絡(luò)動態(tài)性帶來的評測偏差。

2. 以嚴格準確率為核心評分維度，輔以檢索調(diào)用效率指標綜合判定，通過標準化自動化評分體系全程無人工干預。

3.結(jié)果可驗證，依托固定化的人工驗證語料庫，所有答案均有明確的溯源依據(jù)，徹底規(guī)避實時網(wǎng)絡(luò)動態(tài)性帶來的評測偏差，讓評測結(jié)果可復現(xiàn)、可審計，最大程度保障評測公平性。

憑借專業(yè)的評測設(shè)計，BrowseComp-Plus 榜單已成為全球頂尖機構(gòu)檢驗深度搜索智能體真實實力的重要依據(jù)。openJiuwen-deepsearch 以 80% 的準確率登頂，意味著它在多跳深度搜索、跨源信息整合、干擾信息甄別、網(wǎng)頁內(nèi)容理解等維度形成了核心技術(shù)優(yōu)勢，標志著智能體在深度搜索與網(wǎng)頁交互領(lǐng)域的實用能力實現(xiàn)了突破性提升。

DeepSearch 背后：深度研究的標桿引擎

真實世界的搜索，往往意味著：

• 多輪追問與反復驗證
• 跨來源信息比對與溯源
• 大量噪聲與誤導信息干擾
• 長鏈路推理與證據(jù)閉環(huán)構(gòu)建

DeepSearch 通過構(gòu)建三大核心引擎，將復雜查詢問題建模為狀態(tài)空間，通過動態(tài)擴展與探索，像人類專家一樣多角度思考，每個搜索動作都基于實時狀態(tài)生成。

1、實體認知引擎：自動識別關(guān)鍵實體，建立可追蹤的狀態(tài)演變歷史

深度研究的第一步，是理解問題結(jié)構(gòu)。識別關(guān)鍵實體，并通過線索引用關(guān)系建立關(guān)聯(lián)。系統(tǒng)會抽取人物、機構(gòu)、事件等核心變量，建立線索之間的引用關(guān)系并持續(xù)跟蹤每個實體的狀態(tài)演化軌跡。

基于openJiuwen 的上下文引擎，系統(tǒng)將問題狀態(tài)統(tǒng)一建模為可持續(xù)更新的結(jié)構(gòu)化上下文。每一次搜索動作都會觸發(fā)狀態(tài)增量更新，使實體關(guān)系與推理進展保持一致性與可追蹤性。

2、并行推理路徑管理：將復雜問題分解為多分支推理路徑，動態(tài)維護動作池

面對復雜多跳問題，DeepSearch 不像傳統(tǒng)檢索那樣沿著單一路徑前進，而是構(gòu)建多角度推理樹，在 openJiuwen 的多工作流控制機制下，并發(fā)探索多個可能的解決方案路徑，維護一個動態(tài)擴展的動作池（Action Pool），集中資源探索高潛力路徑，大幅提升檢索效率。

系統(tǒng)能夠同時保留多條候選路徑，并發(fā)探索不同信息來源，持續(xù)評估路徑價值，通過概率采樣機制，系統(tǒng)優(yōu)先執(zhí)行高價值路徑，低價值路徑自然被邊緣化。以此能夠讓系統(tǒng)在復雜環(huán)境中保持穩(wěn)定探索能力

3、智能行動探索系統(tǒng)：異步并發(fā)與自適應調(diào)度，動態(tài)調(diào)整搜索動作優(yōu)先級，平衡探索深度與路徑多樣性

深度搜索最大的挑戰(zhàn)之一，是一個兩難問題。搜太少，容易錯過關(guān)鍵證據(jù)；搜太多，又會被噪聲淹沒。

為了平衡效率與覆蓋率，DeepSearch 構(gòu)建了智能采樣與調(diào)度體系：

• 廣度與深度動態(tài)平衡，防止過早收斂到局部最優(yōu)解
• 基于置信度的概率引導采樣，優(yōu)先選擇高分行動路徑，同時保持探索多樣性
• 并行探索多個推理路徑，縮短復雜檢索任務(wù)的解決時間

DeepSearch 的這一設(shè)計，核心在于以工程化方式模擬研究型推理過程

系統(tǒng)化拆解、并行假設(shè)驗證、長鏈路證據(jù)整合與可回放、可審計的推理軌跡，共同支撐著智能體在 BrowseComp-Plus 榜單上榮獲桂冠。

沖榜背后：openJiuwen 提供核心支撐

剖析登頂 GAIA 的 DeepAgent 和摘得 BrowseComp-Plus 榜首的 DeepSearch，我們發(fā)現(xiàn)兩款智能體的硬核實力背后，均依托同一個「技術(shù)底座」—— openJiuwen。

作為面向生產(chǎn)環(huán)境打造的開源平臺，openJiuwen 聚焦智能體的高精準、高可控執(zhí)行，構(gòu)建了從開發(fā)、調(diào)度、執(zhí)行到優(yōu)化的全鏈路能力體系。這意味著，任何團隊都可以在同樣的系統(tǒng)能力之上，嘗試構(gòu)建自己的「DeepAgent」和 「DeepSearch」，把復雜任務(wù)拆解、組合，并穩(wěn)定交付。

• openJiuwen 官網(wǎng)：https://www.openJiuwen.com/
• 開源地址：https://gitcode.com/openJiuwen

從平臺設(shè)計來看，openJiuwen 是為原生支持多智能體協(xié)同和智能體自演進而設(shè)計，其打造的智能體控制器作為智能體的中樞神經(jīng)，結(jié)合上下文引擎的異步壓縮與動態(tài)卸載能力，讓 DeepAgent、DeepSearch 在多智能體協(xié)作、長時異步執(zhí)行的復雜任務(wù)中實現(xiàn)高效調(diào)度，完美適配兩大榜單對智能體任務(wù)規(guī)劃與執(zhí)行魯棒性的考核要求。

同時，openJiuwen 創(chuàng)新性地將Agent 自演進融入架構(gòu)原生設(shè)計，支持上下文、工具、記憶等多元要素在同一框架下協(xié)同工作，并參與到閉環(huán)的自主優(yōu)化過程中。針對執(zhí)行過程中的異?；蚴?，能自動歸因并將更新信號精準分配到對應要素，完成 Agent 的全鏈路自優(yōu)化，讓智能體能夠持續(xù)演進、可控迭代、并越用越好，從底層保障了智能體在榜單嚴苛評測中的穩(wěn)定表現(xiàn)。

我們注意到，openJiuwen 已在華為云行業(yè)智能體平臺和小藝智能體開放平臺完成商業(yè)化落地，賦能了鴻蒙智能體的開發(fā)。除此以外，openJiuwen 的能力已經(jīng)逐步進入金融、制造等行業(yè)的核心生產(chǎn)系統(tǒng)。

總結(jié)：智能體的分水嶺

當下，Agent 領(lǐng)域已經(jīng)有了一條清晰的分水嶺。

一邊，是仍停留在「語言交互」的智能體；另一邊，是已經(jīng)能夠 規(guī)劃任務(wù)、調(diào)度資源、穩(wěn)定執(zhí)行、自我修復的生產(chǎn)級系統(tǒng)。

基于 openJiuwen 構(gòu)建的 DeepAgent 和 DeepSearch 憑借系統(tǒng)性架構(gòu)設(shè)計，在兩大權(quán)威榜單的嚴苛評測和評分機制中脫穎而出，雙雙登頂，也讓 openJiuwen 的定位愈發(fā)清晰：為生產(chǎn)級智能體提供一個高準確、高可用、高效率的一站式 AI Agent 平臺

無論是剛剛?cè)腴T的 Agent 開發(fā)者，還是深耕 Agentic AI 的資深團隊，都可以在這一底座之上構(gòu)建復雜、可靠的智能體應用。

這或許正是「AI 智能體元年」后，智能體行業(yè)真正的打開方式。

https://huggingface.co/papers/2311.12983

https://huggingface.co/learn/agents-course/en/unit4/what-is-gaia

https://arxiv.org/abs/2506.15741v2