长程任务型代理：动态环境中的主动长程意图维护

当前大语言模型代理主要在反应式范式下运行，只在短期会话内响应即时用户查询。这一局限阻碍了它们维持用户长期意图并动态适应外部环境变化的能力。本文提出面向任务型代理的主动交互新范式，能够弥合相对静态的用户需求与动态环境之间的鸿沟。我们通过两项关键能力形式化主动性：(i)意图条件监控（Intent-Conditioned Monitoring）：代理根据对话历史自主制定触发条件；(ii)事件触发跟进（Event-Triggered Follow-up）：代理在检测到有用的环境更新时主动联系用户。我们引入高质量数据合成流水线，在动态环境中构建复杂的多轮对话数据。此外，我们尝试通过提出新基准ChronosBench来弥补动态环境中任务型交互评估标准的缺失。我们评估了当前一些领先的闭源与开源模型，揭示它们在长程任务型交互中的缺陷。此外，我们使用合成数据做监督学习微调的模型，在包含用户意图变化的复杂任务上达到85.19%的任务完成率，优于测试中的其他模型。结果验证了我们数据驱动策略的有效性。