近日，快手联合哈尔滨工业大学成功开源了「KwaiAgents」系统，实现了7B/13B模型的超越效果。这一成果的背后，是通过Meta-Agent Tuning（MAT）方法提升大模型的通用能力。整个项目包含了系统、模型、以及评测三个方面的内容，并通过GitHub完全开源，为研究者和开发者提供了极大的便利。

项目地址:https://github.com/KwaiKEG/KwaiAgents

该系统以大模型为认知内核，配以记忆机制和工具库，形成迭代式自动化系统。记忆机制包含知识库、对话和任务历史三类记忆，通过混合向量检索和关键词检索技术，在每一轮对话中检索所需信息。工具集包含事实性增强工具，异构的搜索和浏览机制能够汇集多个来源的知识，包括网页、文本百科和视频百科。自动化Loop中，系统在一轮对话中接收问题，进行记忆的更新和检索，调用大模型进行任务规划，根据需要调用工具，最后综合历史信息给出回答。

为避免训练中单一模板引起的过拟合问题，团队提出了MAT方法。该方法分为两阶段:模板生成阶段和指令微调阶段。在模板生成阶段，通过设计Meta-Agent，生成实例化的Agent Prompt模板，候选结果与开源模板进行对比打分，从而筛选出高质量的Agent Prompt模板库。在指令微调阶段，基于上万的模板构建了超过20万的Agent调优指令微调数据。通过这一方法，模型在任务规划、工具使用、反思等方面的能力得到提升，同时避免了过度依赖单一模板的问题。

KAgentBench通过人工精细化标注的数据，提供开箱即用的Agent能力自动化评测Benchmark。该Benchmark涵盖不同种类的能力构造输入，每个query配备多个模板和多个人工编辑的真实回答，综合评测准确性和泛化性。评测结果显示，通过MAT调优后，7B-13B模型在各项能力上均有显著提升，超越了GPT-3.5的效果。

团队表示，AI Agents是一条具有潜力的道路，未来将持之以恒地沉淀核心技术，并积极探索Agents技术与快手业务的结合，尝试更多有趣、有价值的创新应用落地。这一开源项目为整个社区注入了新的活力，为研究者提供了丰富的资源和参考。