AutoAct 是一个自动智能体学习框架，其核心理念是 Automatic Agent Learning from Scratch via Self-Planning，即通过自规划从零开始自动学习智能体。
用途方面：语言智能体在多种复杂任务上已取得可观表现，但现有系统仍面临两类问题：一是依赖昂贵且难以复现的数据；二是迫使单一模型承担多种功能。AutoAct 针对这些问题提出，目标是在不依赖大规模标注数据、也不依赖闭源模型（如 GPT-4）合成轨迹的前提下，自动构建能完成任务的智能体。
主要能力方面：给定有限数据和一份工具库，AutoAct 首先在没有任何人类协助或强闭源模型辅助的情况下，自动合成规划轨迹。随后，AutoAct 采用分工策略，根据目标任务信息和已合成轨迹自动进行分化，产生一个能够协作完成任务的子智能体组。官网上提到 Meta-Agent 只需一份工具库，即可根据目标任务信息自动分化，产出可协作完成任务的子智能体组。
使用方式方面：资料未提供安装命令、代码示例或具体调用步骤，暂未提供。官网为项目展示页面，包含框架概览图（Figure 1）以及多组实验结果表格与图表。
实验与评估方面：资料展示了在 HotpotQA 和 ScienceQA 上与其他多种基线的对比结果（Table 1），其中区分了基于提示的智能体学习（不微调）与基于微调的智能体学习，以及单智能体学习与多智能体学习。此外还给出方法消融实验（Table 2），涉及移除 reflect-agent、将分化数据合并到一个模型、使用 AutoAct 中定义的三个智能体进行零样本提示规划、以及在无过滤情况下对零样本规划生成的全部轨迹进行自分化等变体。不同训练数据规模下的表现见图 2（a-c 为自合成轨迹训练的模型，d-f 为由更强模型合成轨迹训练的模型），不同分工程度下的表现见图 3（单模型承载全部数据、分化为 plan/tool/reflect 三个智能体、以及进一步按单一工具单一智能体分化 tool-agent），并包含对 Llama-2-70b-chat 在 HotpotQA 上生成轨迹的人类评估（图 4），比较规划轮数、思维逻辑正确性、动作类型、动作参数与整体连贯性。
适用场景方面：AutoAct 面向需要构建语言智能体、且希望减少对大规模标注数据与强闭源模型合成轨迹依赖的研究与应用场景，尤其适合探索多智能体分工协作完成复杂任务的方向，例如多跳问答等。
限制方面：官网内容以研究展示为主，未提供可直接使用的产品化界面、API 或部署说明；资料未提供收费、价格、平台支持等信息。案例研究（图 5）也指出，更多规划轮数虽然可让 AutoAct 继续多轮自我验证，但也可能导致上下文变长，使 AutoAct 逐渐偏离原始问题。
