OWL（Optimized Workforce Learning for General Multi-Agent Assistance in Real-World Task Automation）是 CAMEL-AI 团队开源的多智能体协作框架，用于真实世界任务自动化，基于 CAMEL-AI Framework 构建。其愿景是通过动态的智能体交互，推动 AI 智能体以更自然、高效和稳健的方式协作完成多样化领域任务。官方称 OWL 在 GAIA 基准测试中取得 69.09 的平均分，在开源框架中排名第一。
【用途】 OWL 面向通用多智能体辅助与真实世界任务自动化，可用于需要多工具协同、信息检索、文档处理、代码执行、浏览器交互等复杂任务的场景。
【主要能力】
- 联网搜索：支持多种搜索引擎（包括 Wikipedia、Google、DuckDuckGo、Baidu、Bocha 等）进行实时信息检索与知识获取。
- 多模态处理：支持处理互联网或本地的视频、图像与音频数据。
- 浏览器自动化：利用 Playwright 框架模拟浏览器交互，包括滚动、点击、输入处理、下载、导航等。
- 文档解析：从 Word、Excel、PDF、PowerPoint 文件中提取内容，并转换为文本或 Markdown 格式。
- 代码执行：通过解释器编写并执行 Python 代码。
- 内置工具包：提供多种内置工具包，包括 Model Context Protocol（MCP）这一用于标准化 AI 模型与各类工具及数据源交互的通用协议层，以及 ArxivToolkit、AudioAnalysisToolkit、CodeExecutionToolkit、DalleToolkit、DataCommonsToolkit、ExcelToolkit、GitHubToolkit、GoogleMapsToolkit、GoogleScholarToolkit、ImageAnalysisToolkit、MathToolkit、NetworkXToolkit、NotionToolkit、OpenAPIToolkit、RedditToolkit、SearchToolkit、SemanticScholarToolkit、SymPyToolkit、VideoAnalysisToolkit、WeatherToolkit、BrowserToolkit 等核心工具包。
【使用方式】 安装前需确保已安装 Python（支持 3.10、3.11 或 3.12）。OWL 支持多种安装方式：使用 uv（官方推荐）、venv 与 pip、conda，或使用 Docker（可使用预构建镜像或本地构建镜像），也提供便捷脚本。安装后需配置环境变量，如 OPENAI_API_KEY 等 API 密钥，可直接在终端设置，也可使用 .env 文件（复制 .env_template 为 .env 后填入密钥）。对于最小示例（examples/run_mini.py），只需配置 LLM API 密钥。若使用 MCP Desktop Commander 且运行于 Docker 中，需执行相应命令。使用时可修改 examples/run.py 脚本来运行自定义任务；上传文件时提供文件路径与问题即可，OWL 会自动调用文档相关工具处理文件并提取答案。
【模型要求】 OWL 需要具备强工具调用能力的模型，模型需能理解工具描述、生成合适的工具调用并处理工具输出。涉及网页交互、图像分析或视频处理的任务还需要多模态理解能力。官方强烈建议使用 OpenAI 模型（GPT-4 或更新版本）以获得最佳性能；实验表明其他模型在复杂任务与基准测试中可能表现明显更低。
【Web 界面】 OWL 提供基于 Gradio 的本地 Web 界面，具备模型选择（OpenAI、Qwen、DeepSeek 等）、环境变量管理、交互式聊天界面以及任务历史查看等功能。界面在本地运行，除所配置模型 API 调用所需数据外，不向外部服务器发送数据。
【适用场景】 官方给出的示例任务包括：查询苹果公司最新股价、分析近期关于气候变化的推文情感、调试 Python 代码、总结研究论文要点、为数据集创建数据可视化等。
【限制与说明】 工具包的有效使用依赖模型具备强工具调用能力；多模态工具包（Web、Image、Video）还要求模型具备多模态理解能力。精简工具包选择可优化性能并减少资源使用。运行 GAIA 基准评测时，官方提示使用特定分支（如 gaia58.18 或 gaia69），其中包含针对评测优化的增强工具包。许可、价格等信息官方页面暂未提供。
