研究问题

日常任务通常需要多应用、复杂控制流和交互式代码,简单 API 调用序列难以覆盖这种能力。AppWorld 将应用世界、任务与程序化评价结合。

环境与评价

原论文摘要描述 9 个日常应用、457 个 API 和 750 个任务。这些是论文版本的规模,不是对当前仓库所有版本的统一声明。Agent 写代码与环境交互;基于状态的单元测试允许不同正确路径,并检查 collateral damage,即非目标改动。

为什么和图相关

跨应用目标可包含账户、对象、权限、参数与动作依赖。本库可以研究这些关系如何约束动作与局部恢复;论文并未自动提供本库拟议的计划图编辑标签。

适配时必须区分

环境内部数据库、测试条件和参考解只可在任务构造或评测中使用;如果 Agent 读取它们,就改变了可见信息协议。恢复过程中是否重复产生副作用,也需要额外记录,不能只看最终成功。

关联阅读

官方项目与运行入口;作者发布帖;更聚焦的状态依赖环境;有人类共同操作的替代任务。

原始来源与阅读范围

Harsh Trivedi et al. / ACL 2024 · 2024-07-26。本轮范围:元数据与摘要核验;采集日期:2026-11-16。来源陈述与本库提出的实验设想在正文中分别说明。