要聞列表AI Agent 正在學會預測使用者想要什麼——在他們開口之前
Decrypt2026-05-28 19:24:53

AI Agent 正在學會預測使用者想要什麼——在他們開口之前

ORIGINALAI Agents Are Learning to Predict What Users Want—Before They Ask for It
AI 影響分析Grok 分析中...
📄完整原文· 由 trafilatura 自動擷取Gemini 翻譯4134 字
簡述 - 上海交通大學與騰訊的研究人員開發了 ProAct,一款設計用來在使用者開口前就預測其可能需求的 AI agent。 - 該系統利用訊息之間的閒置時間回顧過去對話,並預先準備資訊。 - 研究人員表示,ProAct 在基準測試中表現優於先前的主動式 AI 系統,不過這些實驗並未涉及真實使用者。 上海交通大學與中國科技集團騰訊的研究人員聲稱,他們打造出一款 AI agent,能利用對話之間的閒置時間預測使用者接下來可能會問什麼——並在他們開口前就準備好答案。 這個名為 ProAct 的系統與大多數 AI agent 的運作方式不同,後者通常會等使用者提問後才回應。相反地,ProAct 利用訊息之間的閒置時間回顧過去對話與已儲存的使用者資訊,然後在背景中預先準備有用的資訊,以待下一個問題到來。 「儘管 AI agent 在推理與工具使用上展現出卓越能力,但它們本質上仍是被動的:只有在收到使用者明確提示後才會計算回應。」研究人員寫道。「這種範式忽略了一個關鍵契機:互動之間的閒置時間大多被浪費掉,使 agent 無法為使用者未來的需求做準備。」 該系統分多個階段運作。第一階段稱為未來狀態預測(Future-State Prediction),透過分析過去對話、使用者偏好與缺失資訊,預測可能的後續問題。 第二階段稱為閒置時間取得(Idle-Time Acquisition),根據相關性、時機,以及新資訊的潛在效用,判斷哪些預測值得進一步研究。 接著由另一個獨立系統決定是要呈現已準備好的資訊、留待稍後使用,或先儲存起來直到需要時再取用,形成一個「閉環」系統,設計用以預測並回應使用者需求。 「在每次前景互動之後,agent 會更新其記憶、預測可能的未來需求、將閒置時間的運算資源分配給有價值的候選項目,並決定該如何處理產出的準備內容。」他們寫道。「這套設計將預測、取得與交付綁定到單一策略中,而非把閒置時間的運算當成不受約束的背景搜尋。」 根據研究人員所述,ProAct 在 40 個領域、共 200 次模擬中進行了測試,涵蓋財務規劃、軟體發佈管理與資安等領域。論文指出,該系統將對話輪次減少 14.8%,並使後續請求降低 11.7%。在使用名為 ProActEval 的基準進行比較時,ProAct 預測中 703 項可預期的使用者需求,而先前的系統僅 32 項。研究人員也回報幻覺減少了 28.1%。 這項研究問世之際,自主 AI agent 正在科技業普及,例如 OpenClaw 與 Hermes Agent 等專案推出能持續運作的 AI 助理,可在較少人類直接介入下處理更長、更獨立的任務——例如撰寫程式、行程安排、研究與工作流程自動化。 這項研究也在另一群研究人員本月稍早提出警告之際出現,他們指出 AI agent 可能在不了解後果的情況下執行危險任務。 「就像 Mr. Magoo 一樣,這些 agent 朝著目標前進,卻沒有完全理解其行為的後果,」第一作者、UC Riverside 博士生 Erfan Shayegani 在聲明中表示。「這些 agent 可以非常有用,但我們需要安全防護措施,因為它們有時會把達成目標看得比理解全局更重要。」 研究人員坦承,ProAct 研究有若干限制,包括有 3% 的情況中,該系統因引入無關資訊反而讓回應變差。論文也指出,任何實際部署版本都需要隱私保護機制,因為該系統會持續分析對話並儲存使用者資料。 「我們的預算分析進一步顯示,較大的 Idle-Time Acquisition 預算會推高活躍 token 成本,且邊際效益遞減,」他們寫道,「因此主動式運算是一種運作點上的取捨,而非應當最大化的目標。」
資料狀態✓ 已擷取全文閱讀原文(Decrypt)
🔍歷史類似事件· 關鍵字 + 標的比對6 則
💡 目前用關鍵字 + 標的比對(MVP)· 之後會升級為 embedding 語意搜尋
原始資訊
ID:7e95d144d8
來源:Decrypt
發佈:2026-05-28 19:24:53
分類:一般 · 導出分類 neutral
標的:未指定
社群投票:+0 /0 · ⭐ 0 重要 · 💬 0 留言