作者 | 杨过

复杂 agent 任务在后台跑，对话在前台继续。实时模型与 Core Agent，开始按两种节奏配合，带来全新的交互体验。

AI 助手正在进入一种新的工作节奏：一边对话，一边调用工具办事。

近期关于 Gemini Live 更新的报道，就把后台工具调用放进了实时交互：助手可以先回应一句“我查一下”，再继续处理需要时间的工作。

这也把一个日常问题摆到了面前：查资料、做分析都需要时间，用户的新问题却随时会来。工具任务运行时，AI 还能不能继续接话？

要理解这件事，先要理解“全双工”。

从用户视角看，传统语音助手更像对讲机：用户说完一段，AI 才能接话；AI 说话时，用户插话，往往会被打断或忽略。全双工则类似于打电话：AI 可以边听、边说，用户能随时打断、补充，对话不再严格按“你说完—我再说”的回合推进。对用户最直接的变化，不是多了一个技术名词，而是等待感被压缩：不用等它说完，也不用迁就它的节奏。

WorkSwarm 全双工多模态能力正围绕这一体验展开。openJiuwen 是由华为 2012 实验室、华为云、终端、计算、算力先遣队等团队联合高校、企业等广大开发者联合构建的开源 AI Agent 平台，WorkSwarm 即为其开源的办公编码统一工作台，它把实时音视频交互与 Core Agent 执行接入同一个任务：用户可以展示眼前画面、随时插话，也可以把需要进一步处理的工作交给 后台 Core Agent。

这套能力并非停留在演示层面，openJiuwen 提供了 Windows、Mac、HarmonyOS 等系统的一键安装包，进入官网下载安装，即可立即体验

能插话，才算实时对话

人和人交流，很少严格遵守“一方说完，另一方再开口”。看到新画面、发现理解偏了，或者只想先听重点，用户都会直接补上一句。

“先别介绍背景，直接说结论。”

这句话可以在 WorkSwarm 播报时说出来。系统检测到新的有效人声后，会停止当前播报，开始处理新指令；已经生成的文字仍保留在任务记录里。语音活动检测与噪声门限，则用来降低背景声造成的误打断。

视频里我们让 Agent 先朗读《岳阳楼记》，在过程中直接语音说朗读《兰亭集序》，可以自然的快速切换。

插话改变的是当前对话。已经交给 Core Agent 的工具任务有独立的运行状态，要取消它，得单独去任务控制里手动停止。用户说话时，系统要同时处理两个层面的事：对话层接住新要求，任务层管好已经跑起来的工作。

用户插话时，当前播报停止；新的要求继续进入同一个任务，而不是另起一段割裂的对话。

一边聊，一边办事

“这是什么品牌？”之后，用户可能还会补上一句：“查一下它的资料，整理成一份文档。”

一个看图问题，就这样变成了需要搜索、分析和文件生成的任务。而资料还没查完，用户的新问题可能已经来了。

WorkSwarm 用两条路径接住这两种节奏：实时模型负责看画面、听要求、及时回应；Core Agent 负责拆解任务、调用工具，把后续工作推进下去。

搜索在后台运行，对话在前台继续。用户仍能追问眼前的画面，也能随时打断播报、补充要求。

当任务进入 Core Agent，页面会持续呈现任务状态、工具调用记录、执行结果和文件产物。用户看到的不再只是一个旋转的“加载中”，而是事情正在怎样向前推进。

视频中我们先下发了一个任务，让他通过工具调用，去阅读我们算法 word 文档，在这个过程中，我们可以在右上角任务队列看到任务正在运行，并且我们这个时候还能正常和 agent 聊天。

在任务完成后，我们不会打断在聊天的对话，但是会先在文本框中输出我们的总结信息（如下图），然后在这一轮对话结束后，才会汇报工作，说总结文档的工作完成了，并且像人类汇报工作一样，提取重要信息说明，不会全部信息语音输出。

真实界面中，实时回答、Core Agent 运行状态和最终结果都回到同一个任务。

边聊边办事，任务各走各的

前一个搜索还没结束，用户又交代了第二件事，怎么办？

WorkSwarm 的全双工任务队列，为后续要求安排了等待位置。用户可以调整顺序，把某项任务设为下一项；也可以停止等待中或正在执行的任务。对话持续进行时，哪些事在做、哪些还没开始，都有明确状态。

在右上角的我们可以手动移动每个任务的顺序，从而调度运行的队列，并且直接一键置顶、打断现有运行任务。

音视频连接与工具任务也分别管理。即使关闭全双工音视频，已经提交给 Core Agent 的任务仍可继续执行。完成后的文字、工具结果和文件，会回到原来的对话中。

例如，通过镜头发起品牌查询后，用户可以结束音视频交互，稍后再回来查看资料。现场交代的工作，由此有了可追踪的执行过程。

工具任务可以排队、调整和停止；音视频连接与后台任务不再被简单绑定。

所以，WorkSwarm 全双工多模态能力的意义，不只是让 AI 能“边听边说”，而是让实时对话与 Core Agent 的后台执行真正并行：用户在前台像聊天一样随时打断、追问、补充，复杂任务在后台按自己的节奏继续查资料、调工具、做分析。这种“对话不中断、任务不停跑”的体验已经走出演示，开始成为可用的协作方式。当 AI 不再要求人迁就回合，而是像同事一样边聊边办，人机协同的下一段节奏，也就此开始。

如何使用：

• 模型和语音通道可以在设置中配置

• 目前支持 JoyAI 协议和 Qwen Omni 协议，可以点击模型通道去切换a)Qwen Omni realtime websocket 可以填官网 base_url 或者本地部署地址

b)JoyAI 是三种模型拼接（ASR, LLM, TTS）所以支持三种都使用官方 api，或者其他平台的 ASR 和 TTS 模型。

此外，还支持基于使用华为云 ModelArts 平台，基于 vLLM-Omni 推理框架，在昇腾系列 NPU 部署全双工多模态模型，对接 WorkSwarm 多模态全双工能力。

参考资料：

在线体验，领免费 Token：//openjiuwen.com

相关资源：

一键下载：//www.openjiuwen.com/download

GitHub：//github.com/openJiuwen-ai

AtomGit：//atomgit.com/openJiuwen

Agentic Hub：//agentichub.openjiuwen.com

使用华为云 ModelArts 在昇腾 NPU 部署全双工多模态模型参考：

//support.huaweicloud.com/modelarts/index.html

//github.com/vllm-project/vllm-omni/tree/main/examples/online_serving/minicpmo