Proactive AI如何走向超级智能体？UIUC、谷歌、斯坦福、UC Berkeley、CMU联合综述

早在 1995 年，Michael Wooldridge 等学者便在智能体研究的代表性论文《Intelligent Agents: Theory and Practice》中，提出了智能体的四项核心特征：反应性（Reactivity）、社会能力（Social Ability）、自主性（Autonomy）和主动性（Proactiveness）。

反应性意味着智能体能够感知环境变化并及时响应；社会能力使其能够与人类或其他智能体交互；自主性意味着它可以在一定程度上独立决策和行动；而主动性则要求智能体不仅对外部刺激作出反应，还能主动追求目标、发起行动。

三十多年后，随着大语言模型、人工智能对齐和自主智能体等研究方向的发展，前三项能力已经得到广泛关注，并取得不同程度的进展。相比之下，主动性虽然同样重要，却尚未形成与之相称的系统性研究体系。

这种缺口在长程任务中尤其明显。

对于一个只需要回答问题的系统，等待用户输入通常并不构成障碍。但当智能体需要连续工作数小时、数天甚至更长时间时，人类很难提前穷尽所有步骤，也无法预见任务执行过程中遇到的每一种情况。一旦指令存在歧义、环境发生变化，或原定计划遭遇阻碍，智能体就需要主动澄清需求、探索替代方案、调整执行路径，而不是停下来等待下一条指令。

因此，主动性不仅意味着智能体可以在用户开口之前发现值得做的事，也是其完成长程任务、减少持续人工监督的重要条件。

这一方向已经开始受到产业界和学术界的关注。Meta Muse、OpenAI Dots、Anthropic Duet 等产品探索让智能体持续理解用户目标，并在适当时机主动推进工作；学术界也出现了清华大学的 Proactive Agent、香港中文大学的 ProAgent 等相关研究。不过，这些探索涉及不同的任务设定、能力边界和技术路线，仍需要一个更系统的框架加以组织。

来自伊利诺伊大学厄巴纳-香槟分校（UIUC）、Google、斯坦福大学、加州大学伯克利分校（UC Berkeley）和卡内基梅隆大学（CMU）的研究者，在综述《Proactive AI for Superintelligent Agents》中系统考察了这一问题。

综述将主动性与智能水平、对齐并列讨论，认为主动性是迈向未来超级智能体的一项关键能力：智能体不仅需要知道如何完成任务、如何遵循人类意图，还需要判断何时应该行动、哪些目标值得主动推进，以及何时需要征询人的意见。

为了梳理这一研究方向，参与者汇集了人工智能智能体、具身智能、信息检索、计算生物学、经济金融等领域的研究经验。综述的写作由相关方向的研究者分别负责，再通过多轮跨领域讨论与修改，尝试将分散在不同领域的技术进展和研究问题纳入统一视角。

在内容上，综述回顾了主动式 AI 的概念和研究历史，提出由六项相互配合的能力构成的6A 机制框架，讨论相应的评测方法，并分析了13 个应用领域。项目网页收录 1400 余条引用资料，其中 80 项代表性工作提供了更详细的对照分析。

研究者希望通过这一框架回答一组相互关联的问题：智能体如何主动发现任务，如何判断行动的价值与时机，如何在不确定环境中持续推进目标，又如何确保主动行为始终与人的真实需求保持一致。

从 1995 年智能体理论中对主动性的定义，到今天围绕长程任务、持续自主运行和人机协作展开的探索，主动性正在从一个早期的概念要求，逐渐成为智能体研究中需要独立审视的核心问题。

这篇综述试图为仍然分散的探索绘制一张初步地图：既呈现已有研究走到了哪里，也帮助研究者理解，距离真正能够主动发现需求、采取恰当行动并持续接受人类指导的智能体，还有哪些问题需要解决。

• 论文名称：Proactive AI for Superintelligent Agents
• 论文与交互式文献库：https://empathyang.github.io/Proactive-AI-for-Superintelligent-Agents/
• Google Research: https://research.google/pubs/proactive-ai-for-superintelligent-agents/

图 1｜响应式行为与主动行为。主动智能体承担了发现需求、提出工作和判断介入时机的责任，行动后的反馈又会影响后续判断。

主动式 AI 完成未明确的任务

「把厨房收拾干净」已经说明了任务目标，却没有列出全部步骤。餐具架满了，需要先腾出位置；一件物品的用途不明，需要询问是否可以移动。智能体要完成这项委托，就必须处理指令中没有写清的情况。

论文用「剩余决策空间」描述这些留待判断的部分，其中包括偏好取舍、未明确的操作步骤、意外风险，以及环境变化后的计划调整。主动能力可以发生在已经布置的任务内：智能体自行识别需要补充的工作，使原有目标能够继续推进。

图 2｜一项任务包含已经明确的要求，也包含尚未规定的判断。智能体在受委托的范围内处理这些问题，目标和约束仍来自人的授权。

长期委托还会产生另一类工作。例如，家庭已经约定由机器人留意日常用品的余量，它发现洗涤剂即将用完，提出补货建议。这项具体任务此前没有人提出，由机器人根据持续职责自行发现。实际系统可以同时响应明确请求、遵循配置好的规则，并在授权范围内寻找新的工作。

工作由谁提出，哪些操作允许机器人执行，可以分别约定。机器人可以主动整理采购清单，把付款决定留给家庭成员；它也可以在收到一份明确清单后，独立完成已经授权的采购。主动提出任务与独立执行任务，是两种可以分别安排的分工。

论文据此区分几项容易混淆的属性。「智能水平」影响理解、推理和解决问题的能力；「对齐」关心行为是否符合人的意图、价值和约束；「主动性」关心智能体能否自行发现并发起有价值的行动。自主程度则取决于人允许它独立执行到哪一步。可靠的工作记录可以成为扩大授权的依据。

智能水平、对齐、主动性与自主程度的关系，图中以代码问题、风险处理和家庭用品补货为例。

图 3｜智能水平、对齐和主动性共同影响智能体的工作表现。自主程度描述获准独立行动的范围，授权需要参考系统的可靠性。

在这样的分工下，人的工作也会变化。逐项指定操作时，人类承担任务发现和过程组织的职责；智能体能够提出计划后，双方则可以共同调整任务安排；智能体持续跟进工作时，人类将更多地将重心放在设定优先级、规定权限和审核结果等任务上。需要注意的是，遇到紧急信号或新的明确请求，及时响应仍然必要。因此，主动行为与响应式行为会在同一个系统中配合使用。

图 4｜主动程度的连续变化，以及人的角色随之发生的变化。同一系统在不同任务、时间尺度和授权条件下，可以采取不同的协作方式。

研究历程的起点早于大模型

提前预测、维护目标、选择打断时机，针对这些机制的研究在大模型出现之前就已有大量积累。控制理论研究如何根据反馈调整行为，规划和世界模型研究行动可能带来的未来状态；智能体理论讨论如何形成目标，以及何时坚持或放弃已有计划。情境感知计算把地点、活动和设备状态纳入系统判断，人机交互则积累了关于提醒、打断和人机分工的证据。

图 5｜主动式 AI 所依托的研究脉络。各条研究线分别积累了反馈、预测、目标维护、情境理解和人机协作的方法。

大语言模型和多模态模型扩大了可以理解和处理的任务范围。智能体的运行框架 Agent harness 提供记忆、工具、技能和执行管理，让模型能够跨步骤、跨会话推进工作。综述主要沿计算机科学中的这些研究线索展开，也借助委托和不完备约定等概念，说明一项工作为何会留下需要自行判断的空间。

六项能力，支持每一次主动行动

论文把相关机制归为Awareness、Anticipation、Agenda、Arbitration、Action 和 Adaptation六项能力，简称6A。它们分别处理当前情况、未来需求、待办目标、介入判断、实际行动和反馈调整。新证据可以改变已形成的目标，执行结果也会修正原来的预测，六项能力在工作过程中相互影响。

图 6｜6A 框架用家庭情境说明各项能力的联系。天气、日程和设备状态产生待处理的需求；执行结果与人的反馈会改变后续的信息判断、目标和行动安排。

Awareness - 了解正在发生什么

主动行动的依据，往往分散在多个地方：对话里有需求，日历里有时间，设备记录里有状态，过去的互动里有偏好。Awareness 把这些信息联系起来，维持对当前情况的理解。其中的记忆也有不同用途：当前工作涉及什么、过去发生过什么、哪些偏好仍然适用、有哪些可复用的技能。记忆中的时间信息也影响这些判断。沿用已经改变的偏好，可能造成多余的安排。

信息缺失时，可以检索、检查设备，也可以提出一个有针对性的问题。例如，医疗问诊系统会根据已经获得的病史，判断还需要询问哪些症状或用药信息。询问本身也要花费人的时间，收集信息的范围需要与当前问题相称。持续感知还涉及运行费用和隐私成本，唤醒频率、数据保存范围和推理量都会影响这些成本。

图 7｜持续理解情境需要状态跟踪、信息获取、记忆和运行时调度。持续运行还会消耗计算与能源，并带来隐私成本。

Anticipation - 预判接下来可能需要什么

当前状态为预判提供了线索。Anticipation 同时关注人的需求和环境的变化：某项困难是否会持续，当前安排是否会遇到障碍，采取行动后又会出现什么结果。用户模型帮助理解需求，世界模型帮助预测环境和行动后果。比较行动与等待的结果，可以估计提前介入究竟能带来多少收益。

图 8｜预测需要同时考虑人和环境，也需要比较行动与等待的后果。情境模拟可以检查多个可能的未来，预测的可信度仍需现实证据支持。

教育场景能说明这项判断的难度。学生长时间停留在一道题上，可能在认真推导，也可能已经陷入误解。提前给提示会改变后续学习过程。模拟可以用于考察教学选择，实际收益仍需通过真实学习结果检验。

Agenda - 把需求变成持续跟进的工作

一个预测到的需求，要经过选择才能成为待办目标。Agenda 关心哪些工作值得承诺、如何排出先后，以及被打断之后如何恢复。智能体可能同时收到新请求、发现新风险，还保留着尚未完成的任务，需要处理它们之间的竞争。跨会话的工作还需要保存每项安排的依据、完成状态和重新检查的条件，以便在任务恢复或新证据出现时调整计划。

图 9｜Agenda 把候选需求转为明确目标，维护跨会话的工作，并随条件变化调整计划。已有承诺、新需求和明确请求需要共同排序。

Arbitration - 判断介入是否合适

候选任务进入待办之后，还需要决定是否现在行动。论文把这一步称为 Arbitration，考察四类因素：判断有多可靠，预期收益能否覆盖成本，时机是否合适，以及操作的风险与可撤回程度。

安全分析提供了一个具体情境。陌生账户访问服务器，可能来自正常维护，也可能涉及凭据滥用。补查维护记录或询问服务负责人，可能改变判断。立即封禁账户则可能影响正常业务。需要什么证据、调查到哪里、是否采取限制措施，都要结合保护目标和授权范围决定。

图 10｜证据不足时可以查证，收益较低时可以暂缓，时机不合适时可以等待，高风险操作需要审批或更安全的处理方式。

模型给出的自信表述，需要经过实际表现的校准。权限和安全约束也需要由执行系统检查。涉及付款、隐私或难以撤回的操作时，单靠模型在文字中表示「已经考虑风险」，无法提供足够的控制。

Action - 选择行动方式，保留修改余地

同一项需求，可以通过提醒、询问、草稿、预填内容或直接操作来处理。Action 负责选择并落实这些方式。呈现方式同样影响使用。文字提醒过长，会增加阅读负担；机器人突然伸手，会让协作的人难以判断它的意图。界面中的预览、机器人动作前的提示，都可以让即将发生的操作更容易理解。需要审核的方案，也应当说明依据、改动范围和不确定之处。

图 11｜行动方式决定了系统介入的程度。确认、编辑、撤销和失败恢复，应当与具体操作一起设计。

Adaptation - 从真实反馈中调整

行动之后，反馈可能来自工具执行结果，也可能来自人的接受、修改、撤销或接管。Adaptation 需要判断这些信号的含义，再调整后续行为。一次提醒没有被回应，可能是时机不合适，也可能是内容无用，单次沉默提供的信息很有限。论文区分了当前任务中的快速修正和跨任务的长期调整：新证据可以纠正正在进行的工作，积累的互动则用来更新偏好、提醒阈值和协作方式。

图 12｜反馈有时延、噪声和情境差异。快速修正与长期调整分别作用于当前工作和持续协作，更新结果会影响其他五项能力。

持续学习的目标也需要选择。推荐系统可以提高点击率，却同时收窄接触的信息范围；助手可以提高建议接受率，却增加依赖。适应过程需要检查长期利益和实际工作表现，信任应当与系统的可靠性相称。

针对主动式 AI 的全流程测评

许多智能体评测会先给出目标，再考察是否完成。这能够测试规划、工具使用和执行能力。主动能力的评测，还需要保留尚未明确的需求，让智能体自己判断哪些事情值得处理。任务发现的准确性、遗漏的机会和多余的介入，都应当被记录。因此，「任务发现」也应当被纳入测评标准。

综述从三个层面整理评测。任务层面看结果是否改善，以及时间、计算和人工成本；机制层面检查信息、预测、目标和介入判断哪里出现问题；用户层面考察工作负担、控制感、信任和打扰程度。三类证据共同说明一次主动协助的价值。

图 13｜任务结果、机制判断和用户体验三层评测。任务完成率之外，还需要记录审核、纠正和管理智能体所需的人工投入。

在收拾餐桌的例子中，任务层面衡量餐桌是否清理妥当、有没有误收仍在使用的物品，以及花费了多少时间和资源。机制层面检查机器人是否准确识别餐具的使用状态、是否正确判断清理需求、是否选择了合适的行动时机；出现误收时，需要定位错误发生在哪一步。用户层面则记录家人在确认和纠正上花费的时间、受到打扰的程度，了解他们能否方便地修改清理范围或叫停操作，以及是否信任机器人在类似情况下的判断。

主动式 AI 融入 13 个领域

综述覆盖编码、图形界面操作、信息获取、具身机器人、安全、自动科研、智能家居、智慧城市、医疗、法律、教育、娱乐与媒体、农业。每个领域都需要判断什么值得做，但可获得的证据、允许的操作和结果出现的时间各有差异。

图 14｜13 个应用领域，以及持续委托下的工作方式。右侧家庭情境描绘的是未来方向：智能体发现和跟进需求，具体行动受目标和权限约束。

在数字工作中，代码修改可以在分支或隔离环境中检查，图形界面智能体可以跨应用准备材料，信息助手可以根据当前文档提前检索。早期情境检索与今天的检索智能体，也都需要判断什么信息值得在此刻呈现。

安全、医疗和法律领域的主动能力，常常体现在新证据带来的追加工作。已经修复的漏洞可能存在相关变体，新的检验结果可能需要重新评估，修改后的合同条款可能引出新的审查事项。智能体可以扩大调查、准备和跟进的范围，重要操作仍由专业人员或明确的审批流程把关。

自动科研把任务选择的价值体现得更直接。候选想法的新颖性、可行性和可验证性，需要一并考虑。一份完整的实验报告，还要有可以复查的代码、测量记录和证据链，才能支持后续研究。

机器人、智能家居、智慧城市和农业面对物理环境。机器人与人协作还涉及动作意图的表达，农业则要结合天气、作物阶段和资源安排。搬动物品、调度资源或实施处理，都会产生真实后果。

教育和娱乐则要求仔细选择收益指标。提示可以帮助完成一道题，教学效果还要看之后的独立解答、记忆和迁移；游戏伙伴能够提前提供协助，玩家的挑战感和自主感也会受到影响。更多互动、更多点击或更快完成当前任务，都需要结合这些较长期的目标来解释。

论文还按任务来源比较各领域的成熟程度，区分响应指令、发现已出现的情况、提前预测需求、在持续委托下寻找工作，以及修订更高层目标。广泛部署的家庭系统多集中在触发和预测层面；自动科研系统可以在给定研究方向下探索假设和实验；城市系统则常把预测交给人处理。系统普及程度、主动能力和执行权限，在这些领域呈现不同的组合。

更长期的职责尚有许多空缺。医疗协助常止于一次诊疗，法律协助常围绕已经提出的问题，教学协助常限于当前活动。综述把跨就诊跟进、整个事项的持续管理、长期学习安排列为后续方向。在所调查的系统中，自行修订更高层目标的主动能力仍未成熟。

三个跨领域的整体趋势

横向比较这些领域，论文归纳了三个趋势：基础模型与领域专用方法共同承担工作，智能体负责的范围延伸到完整流程，反馈与验证条件影响持续改进。相似的推理模型进入不同领域后，会遇到不同的执行和检验条件。

图 15｜跨领域的三个趋势：通用模型与领域方法配合、承担更长期的工作流程，以及对可靠反馈和验证的依赖。

走向超级智能体，仍需解决哪些问题？

论文将主动能力的长期发展，放在个人助手、具身协作、多智能体协作和机构运行中考察。工作跨越更长时间、涉及更多参与者后，智能体需要持续维护目标，在条件变化时调整已有承诺，并说明每项行动服务于谁的需求。

技术上，需要能定位具体问题的机制评测，以及跨周、跨月的长期测试。短期表现良好的策略，在偏好变化、任务中断或信息过时后，可能不再适用。部署后的学习也需要经过验证，保留回退和人工接管的办法。

安全问题从行动开始之前就已存在。网页、邮件或文件中的恶意内容，可能诱导智能体提出未经授权的新任务；持续感知可能收集与职责无关的私人信息。控制系统需要区分可信指令与外部资料，限制任务和数据的范围，并允许人查看、取消或收回授权。

在家庭、组织或公共服务中，一项行动还可能影响多位参与者。谁能提出目标、谁有权批准、出了问题由谁负责，都需要明确安排。审核入口也要让人看得懂、用得上，避免连续的确认请求使监督流于形式。

综述用 calibrated proactiveness 概括贯穿这些问题的设计目标：根据证据、时机、风险、偏好和权限，调整主动行为。发现需要做的事之后，智能体可以准备、建议或执行；情况变化时，也需要修改计划、停止工作或交回决定。这样的判断能力，需要在长期使用和可核查的结果中检验。