预测和学习：释放主动代理的空闲时间计算能力

虽然人工智能代理在推理和工具使用方面表现出了卓越的能力，但它们从根本上仍然是反应性的：它们仅在明确的用户提示后才计算响应。这种范例忽略了一个关键机会：交互之间的空闲时间很大程度上被浪费了，使代理无法为未来的用户需求做好准备。为了弥补这一差距，我们引入了 ProAct，这是一种主动代理架构，它利用空闲时间计算来预测并满足可能即将出现的用户需求。通过分析不断演变的对话历史记录和持久记忆，ProAct 可以预测即将到来的需求并迭代获取信息，从而允许代理在用户发起查询之前解决知识差距并准备证据。为了严格评估主动能力，我们还推出了 ProActEval，这是一个综合基准，包含 40 个领域的 200 个场景，具有可预测的需求链和多样化的用户认知概况。实证结果表明与反应性基线相比具有显着优势。在 ProActEval 上，ProAct 通过将所需轮次减少 14.8% 来加速任务完成，将用户工作量减少 11.7%，并将幻觉率降低 28.1%。此外，MemBench 评估证实 ProAct 实现了最先进的反射精度，强调了其持续和稳健的性能。