Anticipate and Learn: Unleashing Idle-Time Compute in Proactive Agents
预见与学习：释放主动式智能体的空闲计算能力
🧭 主动式智能体 · 空闲计算优化
Shanghai Jiao Tong University · Tencent
ProAct架构利用空闲时间预测未来需求并主动准备，在ProActEval上减少交互轮次14.8%，降低用户努力11.7%，幻觉率下降28.1%
📌 工作参考价值
- 对话式推荐中的前瞻计算：可借鉴 ProAct 的“对话历史 + 持久记忆 → 未来需求预测”管道，在电商对话助手场景下，利用提问间隙预取候选商品、生成推荐解释，降低用户显式询问轮次。
- 价值感知的主动推送：论文的 \(S(z)\) 评分（用户相关性、知识缺口、增量价值、时效性）和 PushScore 门控（信息价值 vs. 打断成本）可直接迁移到主动推荐系统中，决定是否向用户推送推荐卡片，避免骚扰。
- 持久记忆与主动维护：ProAct 的 memory layer 持续抽取用户偏好、事实、未决缺口，并将其转化为预测需求，这相当于一种“记忆驱动的意图发现”机制，可嵌入用户长期画像系统，驱动个性化主动触发。
- 分离响应与前瞻计算：将部分算力从“请求时推理”迁移到空闲期预计算，尤其适合电商大促等高负载场景，可离线生成候选项并缓存至 KV cache，在线仅需轻量匹配，降低延迟。
动机：当前 AI 智能体以被动响应用户请求为主，交互间的空闲时间完全浪费，无法主动准备未来需求。受心理学主动应对策略启发，论文提出将空闲时间转化为“预测—准备—记忆更新”循环，使智能体从静态响应转向持续进化。
方法关键点：
- 架构：ProAct 由持久记忆层、未来状态预测（Future‑State Prediction）和空闲时获取（Idle‑Time Acquisition）组成。记忆层维护用户画像、实体事实、对话摘要与待填补的知识缺口。
- 未来状态预测：基于对话历史 (H_t) 与记忆 (M_t) 生成候选未来需求集 (Z_t)，包括局部场景外推、关联主题扩展以及记忆缺口填充，经置信度过滤与去重后输出。
- 空闲时获取与门控：对每个候选 (z) 计算价值分数 (S(z) = w_r r + w_g g + w_v v + w_\tau \tau)（相关性、缺口、增量价值、时效性），仅对通过阈值者分配搜索预算，生成带溯源的知识工件，并通过效用感知门控决定立即推送（push）、排队整合（queue）或静默存储（store）。
- 基准：配套提出 ProActEval，包含 200 个场景、40 个领域，附有可预测需求链与多样化认知画像，用于严格评估主动能力。
关键结果：
- 在 ProActEval 上，相比纯被动基线，ProAct 将完成任务的交互轮数 ((T_{100})) 减少 14.8%，用户显式提问次数（User Effort）降低 11.7%，幻觉率下降 28.1%。
- 消融实验表明，无方向性的空闲搜索仅带来微小增益，而定向预测是实现提质减轮的核心。
- 在 MemBench 反射记忆任务上，ProAct 达到 10k 上下文 84.3% 和 100k 上下文 86.3% 的准确率，验证记忆系统对长期主动行为的支撑。
一句话：真正的主动智能体不是替用户做决策，而是用价值函数在正确时机交付恰到好处的准备，让帮助无感发生。