腾讯AI Lab开源深度研究智能体，推动AI研究新变革

025年8月6日15时28分，腾讯AI Lab传来重大消息，其开源了可复现的深度研究智能体，最大限度降低了外部依赖，为人工智能领域的发展注入了新的活力。深度研究智能体（Deep Research Agents）依托大语言模型（LLM）和视觉 - 语言模型（VLM）的强大能力，正在革新知识发现与问题解决的模式。然而，当前现有的开源智能体框架大多依赖付费工具，这极大地限制了其可复现性和普适性。腾讯AI Lab推出的Cognitive Kernel - Pro全开源、多模块、层次化的智能体框架，为深度研究智能体的开发与训练带来了突破性的解决方案。在GAIA基准全集上，Cognitive Kernel - Pro表现卓越，超越了开源免费框架SmolAgents，性能逼近依赖付费工具的智能体，显示出其卓越的综合能力。在GAIA - text上，训练的8B模型更是超越了WebDancer和WebSailor - 7B。相关论文还登上了当日HuggingFace热榜第一。此外，腾讯AI Lab还公开了Agent Foundation Model的训练配方，为社区提供了可复现的训练路径，相关技术报告及代码已在GitHub开源。全开源智能体框架的独特设计Cognitive Kernel - Pro以Python代码为动作空间，充分发挥现代LLM的推理和代码生成能力。其核心设计亮点颇多：模块化架构：采用两层多模块设计，包含主智能体和多个子智能体，如网页导航智能体、文件处理智能体等。主智能体负责任务分解和信息整合，子智能体专注特定任务，保证了模块的独立性和扩展性。状态管理与规划：通过“进度状态”机制，智能体能够记录已完成步骤、待办任务、历史经验和关键信息，大大提高了复杂任务的处理效率。标准化任务接口：主智能体与子智能体通过简洁的文本接口通信，子智能体以Python函数形式定义，输入任务字符串，输出格式化结果和日志，方便协作与调试。测试时优化：引入反思机制和投票机制，通过评估和优化动作轨迹，提升任务完成质量。反思机制让智能体审查和修正先前动作，投票机制通过多轮轨迹比较选择最优结果，增强了网页浏览等高随机性任务的稳定性。与许多依赖付费工具的现有智能体框架不同，Cognitive Kernel - Pro尽可能使用免费、开源工具，利用LLM的python代码生成能力和理解能力处理智能体任务，降低了使用成本，提高了广泛应用的可能性。创新训练方法提升数据质量Cognitive Kernel - Pro不仅有强大的框架，还设计了全面的训练流程，涵盖网页导航、文件处理、代码生成和推理等多个领域。其关键创新在于：高质量Web Agent数据构建：通过构造可验证的查询 - 答案对，结合中间过程提示和基于提示的拒绝采样，提升了训练数据的质量和相关性。Persona Hub数据增强：利用Persona Hub生成多样化的合成查询，结合跨系统验证，增强了训练数据的多样性和鲁棒性。推理数据优化：对现有数据集进行精细化处理，适配智能体任务格式，确保训练数据与实际应用场景一致。轨迹采样：以GPT - 4.1为骨干模型生成智能体轨迹，并通过相似度匹配进行拒绝采样，最大化训练数据的有效性。性能优势显著，引领开源新潮流Cognitive Kernel - Pro在网页信息检索、文件处理和复杂推理等任务中表现出色，在GAIA基准上超越SmolAgents，接近依赖付费工具的智能体框架。它强调LLM和VLM的内在能力，最大限度降低外部依赖，实现真正的全开源。与其他开源Agent基础模型相比，Cognitive Kernel - Pro在功能全面性和开源程度上优势明显，支持灵活切换免费API，提升了可访问性。

在GAIA - text基准测试中，Cognitive Kernel - Pro取得优异成绩，超越了WebDancer和WebSailor类似大小模型。这得益于其作为通用Agent框架，具备更好的文件Agent、Code Agent处理能力，以及在训练开源模型CK - Pro - 8B时使用更通用、丰富的Agent数据提升了基座模型能力。此外，其反思功能的消融实验表明，开源模型Qwen - 3 - 32B已能提供接近GPT - 4.1的反思效果，研究团队未来将关注把反思能力蒸馏到同一个Agent基座模型中。腾讯AI Lab此次开源深度研究智能体，为人工智能领域的研究和应用提供了新的思路和工具，有望推动整个行业朝着更加开源、可复现的方向发展。GitHub链接：https://github.com/Tencent/CognitiveKernel - ProArxiv链接：https://arxiv.org/pdf/2508.00414