AWorld: Advancing Agentic AI

「AI の次なるフロンティアは、あなたの専門知識です」

中文版 | 自動化 | 進化 | 貢献 |

---

汎用 AI はしばしば「コンテキストの壁」に直面します。それは、あなたの世界を形作る、機微に富んだデータ、ワークフロー、直感です。エージェントの真の力はモデルだけにあるのではなく、ツール、メモリ、コンテキスト、実行を調整するエージェントハーネスにあります。

これがAWorld の理念です。強力なハーネスだけでは十分ではありません。真に AI をスケールさせるには、あなたのような専門家が貴重な知識を組み込み、壁に門を築く必要があります。

AWorld は、この唯一無二の目的のために設計されたプラットフォームです。実戦で鍛えられた完全なハーネスをレシピとして提供し、専門家であるあなたが知識を自律型エージェントの群れへと形にできるよう支援します。共に、AI の汎用的な可能性を超え、あなたの特定の分野を極める、堅牢で精密なアプリケーションを生み出していきます。

# 専門知識からプロダクトへ

専門知識を再利用可能な Skills に組み込むと何が起こるかをご覧ください。以下の制作物は AWorld Agent によってオーケストレーションされており、私たちの中核となるスケーリング則を示しています。コミュニティがより多くの専門知識を共有するほど、エコシステム全体がさらに強力になります。

1つのプロンプトによる動画生成からディープサーチのワークフローまで、各事例では、専門的なノウハウを繰り返し実行できる制作能力へと変換しています。

これが、今日実現できることです。あなたの専門知識を活かして、何を作れるか想像してみてください。

機能	専門知識	動作を見る	レシピ
アプリの作成	• ベースモデルによる自動作成 • UI Evaluation Skillによる自動評価		レシピを見る
ディープサーチ	• Agent Browser Skillによる自動検索		レシピを見る
1つのプロンプトによる動画：三角関数の恒等式	• Remotion Skillによる自動作成 • 動画の全編はYoutube		レシピを見る
1つのプロンプトによる動画：企業研修	• Remotion Skillによる自動作成 • 動画の全編はYoutube		レシピを見る
1つのプロンプトによる動画：ブランドマーケティング	• Video Diffusion と Audios Insert Skillによる自動作成 • 動画の全編はYoutube		レシピを見る
1つのプロンプトによる動画：ソーシャルメディア	• Video Diffusion と Audios Insert Skillによる自動作成 • 動画の全編はYoutube		レシピを見る
1つのプロンプトによる動画：VTuber	• Video Diffusion、Audio Generator、および Video Embedded Skillによる自動作成 • 動画の全編はYoutube		レシピを見る

AWorld-CLI とともに歩む道のり

アイデアから進化した自律型エージェントへの道のりは、あなたの手元から始まります。

インストールと有効化

一度インストールすれば、グローバルに設定してどこからでも実行できます。

AWorld-CLI のインストール

git clone https://github.com/inclusionAI/AWorld && cd AWorld

conda create -n aworld_env python=3.11 -y && conda activate aworld_env 

pip install -e . && cd aworld-cli && pip install -e .

設定と起動

cd your working directory

aworld-cli --config

設定が完了したら、ターミナルで aworld-cli と入力するだけで、すぐに使い始められます。

または、モデルと API の設定を記述した .env ファイルを working directory に作成して設定することもできます。主要な変数については、AWorld CLI Configuration を参照してください。

AWorld-CLI で作成を自動化

AWorld-CLI は、単なるスキャフォールディングにとどまりません。中核となる頭脳である AWorld Agent として機能し、専門分野に特化したサブエージェントのチームを統括して、他のエージェントを自律的に構築、評価、さらには進化させます。

このマルチエージェントシステムが連携し、アイデアを実現します。

エージェント名	役割と主な機能
👑 AWorld Agent	オーケストレーター：ユーザーの目標を解釈し、計画を立て、適切なサブエージェントにタスクを割り当てる中核となる頭脳です。最初から最後までワークフロー全体を管理します。
🧑‍💻 Developer	ビルダー：コードの作成、デバッグ、リファクタリングを担う熟練の職人です。
🧐 Evaluator	評価者：品質保証の専門家です。客観的な基準に照らして Developer の成果物を評価し、進化ループに必要な重要なフィードバックを提供します。
🎬 Video Diffusion	動画クリエイター：拡散モデルベースのサブエージェント（例：Kling-V3）で、テキストまたはテキストと画像の入力から動画を生成します。
🎤 Audio Generator	音声クリエイター：TTS モデルベースのサブエージェントで、テキスト入力を音声に変換します。
🖼️ Image Generator	画像クリエイター：テキストまたはテキストと画像の入力から画像を生成するサブエージェントです。

進化ループ：構築 -> 評価 -> 進化

たとえば、次のように依頼したとします。「UI 品質スコアが 0.9 を超える英単語学習用のミニアプリを作成してください。」

• Developer が構築：Developer が要件を分析し、CAST を使ってコード（例：HTML）を作成します。
• Evaluator が評価：Evaluator が検証済みの Skillを使って成果物を確認します。
• ループで改善：スコアが目標（例：0.9）に届かない場合、AWorld は Evaluator が特定した問題を修正するよう Developer に指示します。このループは基準を満たすまで続きます。

📹 進化ループの動作を見る

評価なくして進化なし

エージェントが改善するには、まず「良い」状態とは何かを理解する必要があります。この評価は自律進化ループの中核ですが、複雑な課題です。明確な指標がある客観的なタスク（例：数学の問題を解くこと）から、人間の好みが求められる主観的なタスクまで多岐にわたります。さらに、実環境での進化は、大規模なコードベース、限られたコンテキストウィンドウ、そして正確な反復が必要なことによって、いっそう困難になります。

AWorld は、どちらの評価シナリオにも対応する完全なインフラストラクチャを提供し、皆さんの専門知識を、進化ループ全体を通じてエージェントを導く決定的な原動力に変えます。

#### CAST：コードの複雑さを克服する

エージェントは、コードの複雑さに圧倒されて失敗することがよくあります。この問題を解決するために、CAST（コード抽象構文木）を構築しました。CAST は、コードを単なるフラットなテキストファイルとして見るのではなく、コードのアーキテクチャ設計図をエージェントに提供します。これにより、次のことが可能になります。

• 階層的なナビゲーション：実装の詳細に迷い込むことなく、コードの構造と目的をすぐに理解できます。
• ほぼ無限のコンテキスト：コードをインテリジェントに圧縮し、関連情報だけをエージェントに渡すことで、コンテキストウィンドウの制限を解消します。
• コードの精密な変更：依存関係を完全に把握したうえで正確に変更し、「見当違いな」テキスト置換による不器用なエラーを回避します。

評価者としての専門知識

CAST は変更を行う技術的な能力を提供しますが、その方向性を定めるのは皆さんの知識です。AWorld の共有スキルシステムでは、皆さんの専門知識が品質を測る究極の基準となります。

自動評価：Evaluator エージェントがパフォーマンスを評価して欠陥を特定し、Developer エージェントに明確かつ客観的な目標を設定します。これにより、強力な相乗効果が生まれます。Evaluator が目標を定め、Developer は同じ知識を活用してその目標を達成します。

人による評価：主観的な判断が求められるタスクでは、皆さんの直感が上限を定めます。皆さんこそが究極の評価者です。どの段階でも自然言語でフィードバックを提供すれば、AWorld エージェントはそれを次の進化サイクルに向けた優先度の高い指示として解釈します。

皆さんが提供したスキルによる自動スコアであっても、皆さんからの直接的な手動ガイダンスであっても、AWorld では正確なフィードバックが正確な進化を促します。

実績あるハーネス：ベンチマークでの卓越性

競争力のあるベンチマークでの以下の上位ランキングは、単なるエージェントの実績にとどまりません。AWorld の**ハーネス**を直接実証するものです。堅牢で実戦検証済みのインフラストラクチャが、最先端の AI を構築するために欠かせない基盤となることを証明しています。

エージェントのベンチマーク

カテゴリ	実績	パフォーマンス	主な革新	日付
🤖 エージェント	GAIA ベンチマーク で卓越した成果	Pass@1: 67.89 Pass@3: 83.49 （109 タスク）	マルチエージェントシステムの 安定性とオーケストレーション	2025/08/06
🧠 推論	IMO 2025 問題解決	6 問中 5 問 を 6 時間で解答	マルチエージェントの協調は 単独モデルを上回る	2025/07/25
🖼️ マルチモーダル	OSWorld 1 位	58.0% 成功率	ツールは多いほど良いのか？	2025/09/18
🖼️ マルチモーダル	VisualWebArena 9 月に 1 位	36.5% 成功率	ツールの自動生成	2025/09/25
🔍 ディープサーチ	Xbench で卓越した成果	Pass@1: 51 Pass@3: 61	AWorld 独自のコンテキストエンジン、Amni。	2025/10/23

#### データ合成

1. FunReason-MT 技術レポート：マルチターン関数呼び出しにおける複雑性の壁を克服する arxiv, 2025. 論文, コード, モデル, データセット

   Zengzhuang Xu, Bingguang Hao, Zechuan Wang, Yuntao Wen, Maolin Wang, etc.

2. 失敗から熟達へ：ツール利用エージェント向けの困難なサンプルの生成 arxiv, 2026. 論文, コード, モデル, データセット

   Bingguang Hao, Zengzhuang Xu, Yuntao Wen, Xinyi Xu, Yang Liu, etc.

モデルトレーニング

1. AWorld：エージェント型 AI のためのトレーニングレシピの編成。 arxiv, 2025. 論文, コード, モデル

   Chengyue Yu, Siyuan Lu, Chenyi Zhuang, Dong Wang, Qintong Wu, etc.

2. FunReason：自己改良マルチスケール損失と自動データ改良による大規模言語モデルの関数呼び出しの強化。 arxiv, 2025. 論文, モデル

   Bingguang Hao, Maolin Wang, Zengzhuang Xu, Cunyin Peng, etc.

3. 強化学習による優れた関数呼び出しの探求。 arxiv, 2025. 論文, コード

   Bingguang Hao, Maolin Wang, Zengzhuang Xu, Yicheng Chen, etc.

4. RAG-R1：マルチクエリ並列処理による LLM の検索および推論能力の促進。 arxiv, 2025. 論文, コード, モデル

   Zhiwen Tan, Jiaming Huang, Qintong Wu, Hongxuan Zhang, Chenyi Zhuang, Jinjie Gu

5. V2P：堅牢な GUI グラウンディングタスクに向けた背景抑制から中心ピーキングへ。 arxiv, 2025. 論文, コード

   Jikai Chen, Long Chen, Dong Wang, Leilei Gan, Chenyi Zhuang, Jinjie Gu

6. エージェントをファインチューニングするだけでなく、環境を調整する arxiv, 2025. 論文

   Siyuan Lu, Zechuan Wang, Hongxuan Zhang, Qintong Wu, Leilei Gan, Chenyi Zhuang, etc.

メタ学習

1. プロファイル認識型マニューバリング：AWorld による堅牢な GAIA 問題解決のための動的マルチエージェントシステム。 arxiv, 2025. 論文, コード

   Zhitian Xie, Qintong Wu, Chengyue Yu, Chenyi Zhuang, Jinjie Gu

2. Recon-Act：Web 偵察、ツール生成、タスク実行による自己進化型マルチエージェントブラウザ利用システム。 arxiv, 2025. 論文, コード

   Kaiwen He, Zhiwei Wang, Chenyi Zhuang, Jinjie Gu

高度な機能

バックグラウンドサブエージェント実行（v2.0）

ノンブロッキングオーケストレーション：サブエージェントを起動し、バックグラウンドで実行されている間に作業を続けます。

from aworld.core.common import ActionModel
from aworld.core.tool.builtin.spawn_subagent_tool import SpawnSubagentTool

# Initialize tool
spawn_tool = SpawnSubagentTool(subagent_manager=your_manager, conf=config)

# 1. Start background task (returns immediately)
action = ActionModel(
    action_name='spawn_background',
    params={
        'name': 'deep_researcher',
        'directive': 'Comprehensive research on quantum computing',
        'task_id': 'research_quantum'
    }
)
obs, reward, _, _, info = await spawn_tool.do_step([action])
task_id = info['task_id']

# 2. Orchestrator continues other work (parallel execution!)
# ... analyze existing data, plan next steps, spawn more tasks ...

# 3. Check status (non-blocking)
check_action = ActionModel(
    action_name='check_task',
    params={'task_id': task_id, 'include_result': False}
)
obs, reward, _, _, info = await spawn_tool.do_step([check_action])
print(f"Status: {info['status']}, Elapsed: {info['elapsed']:.2f}s")

# 4. Wait for completion when ready
wait_action = ActionModel(
    action_name='wait_task',
    params={'task_ids': task_id, 'timeout': 300}
)
await spawn_tool.do_step([wait_action])

# 5. Get result
check_action = ActionModel(
    action_name='check_task',
    params={'task_id': task_id, 'include_result': True}
)
obs, reward, _, _, info = await spawn_tool.do_step([check_action])
result = info['result']

パフォーマンス上の利点：オーケストレーターの作業とサブエージェントの実行が重なり、T_orchestrator + T_subagent ではなく max(T_orchestrator, T_subagent) を実現します。ベンチマークでは、一般的なワークロードで 3 倍高速な実行が示されています。

ドキュメント：docs/Agents/Parallel Subagents.md を参照してください。

---

貢献

ロードマップには、AI for Science & Business の取り組みの拡大、自己進化機能の強化、コミュニティから寄せられる Skills ライブラリの拡充が含まれています。

開発者、研究者、各分野の専門家の皆様のご参加を心より歓迎します。フレームワークの強化でも、ご自身の専門分野に関する Skill の提供でも、皆様の取り組みは貴重です。

過去の計画に関するメモは aworld-cli/internal/docs/superpowers/ にあります。

学術論文での引用やお問い合わせには、以下の BibTeX エントリをご利用ください。

@misc{yu2025aworldorchestratingtrainingrecipe,
      title={AWorld: Orchestrating the Training Recipe for Agentic AI}, 
      author={Chengyue Yu and Siyuan Lu and Chenyi Zhuang and Dong Wang and Qintong Wu and Zongyue Li and Runsheng Gan and Chunfeng Wang and Siqi Hou and Gaochi Huang and Wenlong Yan and Lifeng Hong and Aohui Xue and Yanfeng Wang and Jinjie Gu and David Tsai and Tao Lin},
      year={2025},
      eprint={2508.20404},
      archivePrefix={arXiv},
      primaryClass={cs.AI},
      url={https://arxiv.org/abs/2508.20404}, 
}