AnovaX to koncepcja asystenta głosowego, który działa całkowicie na komputerze użytkownika i traktuje pulpit jako powierzchnię działania. Projekt koncentruje się na automatyzacji biurkowych zadań przy zachowaniu prywatności i odporności na błędy.
AnovaX wyróżnia się tym, że nie wysyła surowych danych dźwiękowych do chmury i nie ogranicza się do stałego zestawu umiejętności. System działa lokalnie, sterując aplikacjami i zasobami pulpitu w sposób wyizolowany i kontrolowany.
Całość jest zrealizowana jako pojedynczy proces Pythona, który łączy kilka modułów: wykrywanie hasła aktywującego, przetwarzanie mowy, planer oparty na modelu językowym, mechanizm przekazywania planu w postaci struktury wywołań narzędzi oraz koordynator wieloagentowy. Plan wygenerowany przez model jest przetwarzany na zestaw wywołań narzędzi, które następnie trafiają do wyspecjalizowanych agentów.
System stosuje warstwę polityk zezwalających i blokujących, która kontroluje, jakie operacje są dopuszczalne. Każde narzędzie odpowiada konkretnemu typowi agenta - np. agent aplikacji, agent wpisywania, agent przeglądarki oraz sześć innych specjalizacji - i posiada własne reguły czasu oczekiwania, politykę ponowień oraz mechanizmy blokad zasobów współdzielonych.
Koordynator uruchamia agentów w puli wątków z ograniczonym rozmiarem, a w przypadku niepowodzenia kluczowego kroku włącza się adaptacyjna pętla odzyskiwania, która przejmuje kontrolę, stosuje ponowne próby lub zmienia strategię działania, aby osiągnąć zamierzony cel.
AnovaX pokazuje podejście „local-first” do asystentów głosowych, łącząc planowanie oparte na modelu językowym z izolacją agentów i mechanizmami odporności. Takie rozwiązanie pozwala firmom automatyzować zadania biurkowe przy większym bezpieczeństwie danych.
1. Czym różni się AnovaX od klasycznych asystentów chmurowych? AnovaX działa lokalnie i nie wysyła surowych danych audio do chmury oraz ma elastyczną architekturę agentów.
2. Jak AnovaX zapewnia bezpieczeństwo? Poprzez warstwę polityk zezwalających i blokujących oraz izolację zadań w specjalizowanych agentach z ograniczeniami czasu i blokadami zasobów.
3. Co robi adaptacyjna pętla odzyskiwania? Przejmuje kontrolę przy awarii krytycznego kroku, wykonuje ponowne próby lub zmienia strategię działania.
4. Czy system używa zewnętrznych modeli językowych? Architektura zakłada wykorzystanie planera LLM działającego lokalnie w procesie planowania zadań.
Źródło: https://arxiv.org/abs/2607.15367