重點摘要

上海交通大學與騰訊的研究人員開發了 ProAct，一種利用使用者訊息間的安靜間隙來預測可能後續需求並提前準備回應的 AI 代理。該系統將 預測、閒置時間研究與交付策略 結合成一個閉環，使代理能選擇要調查的潛在查詢、要儲存的內容以及何時呈現已準備的結果。在多個領域的模擬測試中，ProAct 與先前的主動方法相比，減少了對話輪次與後續問題，同時降低了幻覺率。

情感分析

• 整體語氣：主要是中性到謹慎樂觀。文章強調技術進展與性能提升，同時指出限制與安全顧慮。敘述在成就（更好地預判使用者需求與可衡量的對話長度與幻覺減少）與警語（隱私、偶爾不相關的輸出，以及需要防護措施）之間取得平衡。研究被呈現為一個有前景的步驟，而非已可部署的成品。

文章內文

上海交通大學的研究人員與騰訊合作推出了 ProAct，一種不同於標準被動模式的 AI 代理，透過利用使用者互動間的閒置時段來預判並準備可能的未來查詢。ProAct 不等待明確的提示，而是在閒置期間分析過往對話與已儲存的使用者資訊，並進行針對性的背景工作，以便在使用者下次互動時相關資訊可以已準備就緒。

該系統以多階段流程為結構。第一階段稱為「未來狀態預測」，ProAct 檢視對話歷史、使用者偏好與知識缺口，以產生候選的後續問題或需求。下一階段——「閒置時間獲取」——評估這些候選項目，根據相關性、預期時機與潛在效用為背景研究排序。最後的決策機制決定是否立即呈現已準備的結果、快取以供日後使用，或保留直到明確需要，形成將預測、獲取與交付串連在一起的閉環策略。

透過將閒置計算視為受限資源並以統一策略管理，ProAct 避免無差別的背景搜尋，而是聚焦於在成本與可能效益之間取得最佳權衡的候選項目。設計者指出，增加閒置時間預算會提高主動運算成本並導致報酬遞減，因此系統旨在尋找一個運作平衡，而非無限制地最大化背景處理。

ProAct 在 40 個領域進行了 200 次模擬執行評估，涵蓋財務規劃、軟體發佈管理與網路安全等領域。研究人員報告的結果包括對話輪次減少 14.8% 以及後續請求減少 11.7%。在他們稱為 ProActEval 的基準測試中，系統預測出 703 個可預見的使用者需求，而早期基線僅偵測到 32 個，並且幻覺減少了 28.1%。這些改善表明，針對良好的閒置時間運算在受控測試中能切實提升效率與答案品質。

儘管有這些成效，作者強調了限制。實驗並未涉及實際使用者，因此真實世界的行為與使用者反應仍不確定。在大約 3% 的案例中，ProAct 的主動準備反而使互動變差，因為呈現了不相關的資訊。研究團隊同時警告，任何實際部署都需要強健的隱私保護，因為該代理持續分析對話並儲存使用者資料。此外，關於自主代理在不具完全情境理解下行動的更廣泛疑慮仍然存在；其他研究人員已警告目標驅動的代理有時可能在未充分權衡後果下追求目標。

ProAct 的工作出現於對持續性、自主 AI 助手興趣增加的背景下，這類助手能在較少直接人類輸入下處理延伸任務。業界的多個專案正致力於擴展代理規劃、執行與跟進複雜工作流程的能力。ProAct 方法透過展示如何管理閒置時間運算來產生有用且具情境感知的準備工作，同時承認在成本、相關性與隱私方面的權衡。

總體而言，ProAct 展示了一種使代理不再純粹被動而更具預期性的可行方法，但其在真實世界的價值將取決於使用者研究、隱私防護以及降低不相關或有害主動行為的機制。 關鍵見解在於，如果代理能優先排序並準備使用者接下來可能需要的內容，那麼閒置時間就不是浪費時間。 後續工作應以實際使用者驗證這些發現，並精進在主動效益與計算成本及隱私風險之間取得平衡的策略。

關鍵見解表