Cradle

Cradle简介

Cradle是什么？

Cradle是一个通用计算机控制（General Computer Control, GCC）的多模态ai框架，由昆仑万维、北京智源人工智能研究院等机构联合推出。它通过屏幕截图作为输入，键盘和鼠标操作作为输出，使AI代理能够像人类一样直接控制计算机完成各种任务。Cradle具备信息收集、自我反思、任务推断、技能策划、动作规划和记忆管理等核心功能，能够广泛应用于游戏、日常软件操作和专业软件操作等场景。

Cradle核心功能

• 信息收集：从屏幕图像和音频中提取多模态信息，用于决策。

• 自我反思：评估先前行动的成功与否，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。

• 记忆与知识管理：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应用场景

• 游戏环境：如《荒野大镖客2》《星露谷物语》《城市天际线》等。

• 日常软件操作：如浏览器、邮件客户端、办公软件等。

• 专业软件操作：如图形设计或视频编辑软件。

Cradle技术原理

• 多模态输入处理：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：利用大型多模态模型（如GPT-4V）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：通过反思模块评估之前执行动作是否成功，并分析失败原因。

• 任务推断与规划：确定当前的优先任务，并制定出新动作完成任务。

• 技能生成与更新：根据当前任务生成新的技能或更新现有技能。

Cradle特点

• 通用性：不依赖任何内部API，能够与任意开闭源软件交互。

• 强大的推理能力：基于大型语言模型，能够进行复杂任务规划和执行。

• 自我改进：通过自我反思机制不断优化性能。

• 技能积累：可以逐步积累和复用各种操作技能。

Cradle已成功应用于《荒野大镖客2》、《星露谷物语》、《城市：天际线》等游戏，以及Chrome浏览器、Outlook邮箱等软件。

Cradle相关链接

Cradle项目主页：https://baai-agents.github.io/Cradle/

Cradle代码仓库：https://github.com/BAAI-Agents/Cradle

Cradle论文：https://arxiv.org/abs/2403.03186