从语言模型到行动智能：Mythos如何让AI从“会说”到“会做”

发布时间：2026/8/1 4:18:26

1. 从“语言模型”到“行动模型”：Mythos的范式革命

最近在AI圈里，一个代号为“Mythos”的项目正在引发一场静悄悄的地震。它不像ChatGPT那样直接和你对话，也不像Midjourney那样生成图片，它的目标要“硬核”得多：让AI从“会说”进化到“会做”。简单来说，Mythos试图让AI模型不仅能理解你的指令，还能在真实的数字世界里，像人一样操作软件、点击按钮、填写表单、执行任务。这听起来像是科幻电影里的情节，但Anthropic（Claude的创造者）正在通过Mythos，将“行动智能”从概念推向了可实践的工程前沿。

我们早已习惯了与AI进行文本对话。你问它“如何用Python写一个爬虫？”，它能给你一段漂亮的代码。但你得自己打开编辑器，创建文件，粘贴代码，安装依赖，最后运行。整个过程，AI只完成了“说”的部分，剩下的“做”全得靠你自己。Mythos要打破的就是这堵墙。它的核心愿景是：你只需要用自然语言描述一个目标，比如“帮我把上个月的销售数据从CRM系统导出，做成一个PPT，并发送给团队”，AI就能自主规划步骤，调用相应的工具（浏览器、办公软件、邮件客户端），并执行操作，最终交付结果。这不再是辅助，而是真正的“数字劳动力”。

为什么这件事如此重要？因为当前绝大多数AI应用都停留在“信息处理”层面。它们能生成、总结、翻译信息，但无法与物理世界或数字环境进行闭环交互。Mythos所代表的“行动智能”，意味着AI开始具备“执行力”。这将对自动化、生产力工具、甚至人机协作模式产生颠覆性影响。想象一下，繁琐的日常办公流程、跨系统的数据搬运、复杂的软件配置，未来都可能由一个“行动模型”代劳。这不仅仅是效率的提升，更是工作范式的重构。

2. Mythos的技术内核：如何让AI“动手”

要让一个基于文本训练的大模型学会“动手”，绝非易事。这涉及到从认知到执行的一系列关键技术挑战。Mythos的解决方案，可以看作是一套精心设计的“大脑”与“手脚”协同系统。

2.1 核心架构：规划、推理与工具调用

Mythos的运作模式并非简单的“指令-动作”映射。它需要像人类一样，先理解复杂目标，再拆解为可执行的原子步骤，并在执行过程中根据反馈动态调整。其核心架构通常包含几个关键层：

高级目标理解与任务分解：当用户给出一个模糊的指令（如“整理我的电脑桌面”）时，模型首先需要理解“整理”在这个上下文中的具体含义——是按文件类型分类？是按项目归档？还是删除旧文件？接着，它将这个高级目标分解为一系列具体的、可操作的低级任务，例如：获取桌面所有文件列表 -> 识别每个文件的类型和最后修改日期 -> 根据规则创建文件夹 -> 移动文件到对应文件夹 -> 删除超过一年的临时文件。
工具使用与API集成：分解后的任务需要具体的“工具”来完成。Mythos需要集成一个丰富的工具库。这些工具可以是对操作系统API的封装（如list_files(directory)，move_file(source, destination)），也可以是常见软件（如浏览器、Photoshop）的自动化接口，或是通过模拟鼠标键盘操作实现的UI自动化。模型需要知道每个工具能做什么、输入输出是什么，并在正确的时机调用正确的工具。
情境感知与状态跟踪：这是“动手”与“动口”最大的区别。在文本对话中，上下文是清晰的聊天记录。但在执行任务时，上下文是动态变化的系统状态。例如，当AI点击了浏览器上的“登录”按钮后，它需要“看到”页面是否跳转到了登录成功后的仪表盘，还是弹出了错误提示。Mythos需要具备持续感知环境（如屏幕内容、软件界面元素、API返回结果）的能力，并基于此更新自己的内部“世界模型”，以决定下一步行动。
错误处理与恢复：真实世界充满意外。文件可能被占用，网络可能断开，软件界面可能突然更新。一个鲁棒的“行动模型”必须能检测到执行偏离预期（例如，点击按钮后没有反应），分析原因（是元素定位失败还是脚本执行超时？），并尝试备选方案或向用户请求澄清。

2.2 从Claude到Mythos：能力范式的延伸

作为Anthropic的项目，Mythos与Claude大模型有着深刻的血缘关系。可以将其理解为Claude能力的一次“外科手术式”升级。Claude本身拥有强大的逻辑推理、代码生成和指令遵循能力，这为任务规划和步骤拆解提供了优秀的“大脑”。Mythos在此基础上，为这个“大脑”接上了“感官神经”（环境感知）和“运动神经”（工具执行）。

一个典型的技术路径可能是：首先，对Claude模型进行进一步的指令微调，使其输出不再是单纯的文本回复，而是一种结构化的“行动计划”，这种计划包含了具体的工具调用序列和参数。其次，开发一个轻量级的“执行器”或“代理框架”，这个框架负责解析模型的行动计划，管理工具库，执行具体的API调用或UI自动化脚本，并将执行结果（成功、失败、返回数据）反馈给模型，供其进行下一轮决策。这个过程形成了一个“感知-思考-行动”的循环。

网络上关于claude code、claude desktop的讨论热潮，某种程度上可以看作是社区对AI“行动化”需求的早期探索。用户不满足于只在网页聊天框里和Claude对话，他们希望Claude能直接操作本地的VSCode来编写和调试代码，或者操作桌面应用。Mythos正是这种需求在官方层面的、更系统化的回应。它旨在提供一个标准化、安全可控的框架，让模型的能力安全地延伸到外部环境。

3. 行动智能的落地场景与挑战

Mythos所开启的“动手”时代，其应用场景几乎遍布所有需要与数字系统交互的领域。它不仅仅是自动化（RPA）的升级，更是智能化的延伸。

3.1 潜力无限的落地场景

超级个人助理：这是最直观的应用。你的AI助理可以真正帮你处理邮件（不仅仅是起草，而是登录邮箱、分类、标记、回复）、管理日历（协调时间、发送会议邀请）、整理电脑文件、甚至在线购物比价和下单。它像一个不知疲倦的数字分身，处理所有琐碎的、规则明确的数字劳动。
复杂工作流自动化：许多企业工作流涉及多个系统和人工审批环节。例如，员工报销流程可能涉及：在报销系统填写表单 -> 将发票图片上传至云盘 -> 在聊天软件中通知主管 -> 等待审批后，将数据同步到财务系统。Mythos可以理解整个流程的规则和依赖关系，自主在多个系统间跳转，完成数据录入、文件上传、状态查询等操作，只在需要人工决策（如金额异常）时暂停并请求介入。
软件测试与质量保障：让AI来当测试工程师。你可以描述一个测试用例：“测试用户从首页登录到成功下单的流程”，Mythos就能自动打开浏览器，模拟用户点击、输入、滑动等操作，遍历各种路径（正常流程、异常输入、边界条件），并记录下任何界面错误、功能失效或性能问题。这能极大提升测试覆盖率和效率。
数据采集与处理：虽然传统的爬虫技术很成熟，但对于需要登录、有复杂交互（如下拉筛选、翻页、验证码）的网站，编写和维护爬虫脚本依然费时费力。Mythos可以通过模拟真人操作来绕过一些反爬机制，并能根据自然语言指令（“去某某网站，搜索2023年所有关于新能源汽车的行业报告，下载PDF摘要”）动态调整采集策略。
教育与技能培训：创建一个可以手把手教你使用复杂软件（如Photoshop、Blender、专业数据分析工具）的AI导师。它不仅能给出步骤说明，还能实时“看到”你的操作界面，在你卡住时直接高亮下一个该点击的按钮，或者在你操作错误时立即弹出纠正提示。

3.2 当前面临的核心挑战

尽管前景广阔，但让AI安全、可靠地“动手”依然面临巨大挑战，这也是Mythos这类项目必须攻克的山头。

安全与权限控制：这是首要红线。一个拥有执行能力的AI，如果被恶意利用或出现错误，破坏力远大于只会说话的聊天机器人。它可能会误删重要文件、错误配置系统、甚至进行未经授权的支付操作。因此，Mythos必须设计极其严格的权限沙箱。例如，工具调用需要明确的授权机制，AI只能在一个被严格限制的“安全区”内操作，对高风险操作（如删除、支付、修改系统设置）必须有二次确认或完全禁止。网络热议中出现的virtual machine platform not available等错误提示，很可能就是在尝试为AI行动创建隔离环境时遇到的技术障碍。
环境理解的鲁棒性：让AI“看”懂图形界面比理解文本要难得多。软件UI千变万化，同一款软件的不同版本、不同的操作系统主题、不同的屏幕分辨率，都可能导致界面元素的位置、大小甚至标识符发生变化。基于像素或基本元素树的识别方法非常脆弱。更可靠的方法可能是结合视觉模型（识别图标、文字）和可访问性树（获取控件的程序化标识），但这对技术的通用性和稳定性提出了极高要求。
长链条任务的规划与纠错：任务步骤一多，出错的概率就呈指数增长。AI需要具备强大的“工作记忆”和“复盘”能力。当执行到第10步发现失败时，它需要能回溯到出错的环节，分析是规划本身有缺陷（比如遗漏了前置条件），还是执行时遇到了意外（比如网络超时），并能够调整后续计划或尝试绕过问题。这要求模型具备非常强的逻辑连贯性和状态管理能力。
评估与验证的困难：如何评价一个“行动模型”的好坏？对于文本生成，我们可以用流畅度、相关性、事实准确性来衡量。但对于行动，评估维度复杂得多：任务完成率、步骤效率、错误率、对异常情况的处理能力、安全性等等。建立一套全面、自动化的评估体系本身就是一个巨大的研究课题。

4. 开发者视角：如何为“行动时代”做准备

对于开发者和技术团队而言，Mythos所代表的趋势意味着新的机遇和技能要求。与其等待成熟的通用“行动模型”问世，不如现在就开始思考和布局。

4.1 构建“工具友好型”的应用生态

未来的软件，如果希望被AI智能体高效使用，其设计哲学可能需要改变。除了为人设计的GUI界面，还需要为AI提供稳定、版本化的API接口或“自动化入口”。这包括：

清晰的API文档与语义化接口：API的命名和参数设计应尽可能符合人类直觉，便于大模型理解和调用。例如，一个cancelOrder(orderId)的接口，就比一个需要复杂组合参数的POST /api/v2/transaction/update更易于被AI正确使用。
提供可访问性支持：确保UI元素有完整、准确的aria-label或其他可访问性标识，这不仅能帮助残障人士，也能为AI视觉模型提供可靠的定位锚点。
状态可查询与操作可逆：提供查询当前任务状态的接口，以及关键操作的撤销（undo）机制，这能极大帮助AI在复杂流程中进行错误恢复。

4.2 探索AI Agent的开发范式

“AI Agent”（智能体）是当前将大模型与行动能力结合的热门概念。一个典型的Agent框架通常包含几个核心模块：

规划模块：基于大模型，将目标拆解为任务列表。
工具模块：注册和管理一系列可用的工具函数。
记忆模块：存储对话历史、工具执行结果、任务状态等。
执行与调度模块：按顺序或条件调用工具，并处理执行结果。

开发者可以基于LangChain、AutoGen、CrewAI等开源框架开始尝试构建自己的垂直领域Agent。例如，你可以为一个内部运维系统构建一个Agent，让它能够根据自然语言指令（“检查服务器A的磁盘使用率，如果超过80%就清理日志文件”），自动登录服务器、执行命令、并返回报告。在这个过程中，你会深刻体会到工具设计、错误处理和流程控制的重要性。

4.3 关注“人机协作”的新界面

当AI能够执行复杂任务时，人与AI的交互方式也需要进化。不再是简单的“一问一答”，而是更像与一个实习生或助手协作：

任务委托与进度监控：用户需要一种清晰的方式向AI下达任务，并实时查看其执行进度、当前步骤以及遇到的障碍。一个可视化的任务看板或执行日志流会变得非常重要。
介入点与授权机制：系统需要明确界定哪些决策必须由人做出（例如，批准一笔大额付款），并在这些关键节点优雅地暂停AI，等待人类输入。这涉及到细粒度的权限和审批流设计。
结果解释与追溯：AI完成工作后，不能只给一个最终结果。它需要提供一份“工作报告”，说明它具体执行了哪些步骤、为什么做出某些选择、遇到了哪些问题以及如何解决的。这对于建立信任和审计至关重要。

5. 从概念到实践：一个简单的“行动智能”原型构想

为了更具体地理解“行动智能”，我们可以抛开庞大的Mythos，设想一个最小可行性的原型项目：一个能自动整理下载文件夹的桌面AI助手。

项目目标：用户说一句“帮我整理一下下载文件夹”，AI自动完成文件分类、归档、清理工作。

技术栈选择：

核心模型：使用轻量化的本地大模型（如Qwen2.5-Coder-7B）或调用云端API（如Claude Haiku），负责理解指令和规划步骤。
工具库：
- list_files(path): 列出目录下所有文件。
- get_file_info(path): 获取文件类型、大小、修改日期。
- create_folder(path): 创建新文件夹。
- move_file(src, dst): 移动文件。
- delete_file(path): 删除文件。
执行框架：使用简单的Python脚本作为主循环，集成模型调用和工具执行。

工作流程设计：

指令接收与解析：用户通过语音或文本输入指令。模型解析出核心动作（“整理”）和目标位置（“下载文件夹”）。

任务规划：模型生成一个JSON格式的行动计划，例如：

{ "goal": "整理下载文件夹", "steps": [ {"action": "list_files", "params": {"path": "~/Downloads"}}, {"action": "analyze_and_categorize", "params": {"file_list": "[来自上一步的结果]"}}, {"action": "create_folders", "params": {"categories": ["文档", "图片", "压缩包", "安装程序", "其他"]}}, {"action": "move_files", "params": {"mapping": "[文件到类别的映射]"}}, {"action": "delete_old_tmp_files", "params": {"criteria": "修改时间>30天且类型为.tmp"}} ] }

逐步执行与状态反馈：执行框架按顺序运行每个步骤。每一步调用对应工具，将执行结果（成功/失败、返回数据）追加到上下文中，再传递给模型，决定是否继续或调整。
最终报告：所有步骤完成后，模型生成一份总结报告给用户：“已完成整理。共处理152个文件，创建5个分类文件夹，移动了147个文件，删除了5个过期临时文件。”

开发中的关键考量：

安全性：delete_file工具必须非常谨慎，可以设计为先将文件移入“回收站”文件夹，而非直接永久删除。
错误处理：如果move_file时目标已存在同名文件，是覆盖、重命名还是跳过？这些策略需要在工具调用层面或模型决策层面明确。
可解释性：整个执行过程的日志需要详细记录，方便用户回溯和调试。

通过这样一个小而具体的项目，开发者可以亲身体验到“行动智能”的核心环节：规划、工具化、执行、状态管理。你会发现，最大的挑战往往不在于模型本身的理解能力，而在于如何设计鲁棒的工具、处理真实世界的不确定性、以及构建安全可控的执行环境。这正是Mythos这类项目试图在更大规模、更通用场景下解决的工程难题。