论文页面 - 预判与学习：释放主动智能体中的空闲时间计算能力

来源：https://huggingface.co/papers/2605.25971

摘要

ProAct 是一种主动式智能体架构，利用空闲时间计算来预判用户需求，从而提升任务完成的效率和准确性。

尽管 AI 智能体在推理和工具使用方面展现出卓越能力，但它们本质上仍是被动的：仅在用户明确提示后才进行计算响应。这种范式忽视了一个关键机会：交互之间的空闲时间被大量浪费，导致智能体无法为未来的用户需求做好准备。为弥补这一缺口，我们提出了 ProAct，一种主动式智能体架构（https://huggingface.co/papers?q=proactive%20agent%20architecture），它利用空闲时间计算（https://huggingface.co/papers?q=idle-time%20compute）来预判并满足用户可能即将出现的需求。通过分析不断变化的对话历史（https://huggingface.co/papers?q=dialogue%20history）与持久记忆（https://huggingface.co/papers?q=persistent%20memory），ProAct 预测即将出现的需求，并迭代式地获取信息，使智能体能够在用户发起查询之前消除知识空白并准备好证据。为严格评估主动能力，我们还推出了 ProActEval，一个包含 40 个领域、200 个场景的综合基准测试，其中包含可预测的需求链和多样化的用户认知特征。实验结果表明，与被动基线方法相比，ProAct 具有显著优势：在 ProActEval 上，任务完成（https://huggingface.co/papers?q=task%20completion）所需轮次减少 14.8%，用户努力（https://huggingface.co/papers?q=user%20effort）减少 11.7%，幻觉率（https://huggingface.co/papers?q=hallucination%20rates）降低 28.1%。此外，MemBench 评估证实 ProAct 在反思准确率（https://huggingface.co/papers?q=reflective%20accuracy）上达到了最先进水平，凸显其持续稳健的性能。

查看 arXiv 页面（https://arxiv.org/abs/2605.25971） 查看 PDF（https://arxiv.org/pdf/2605.25971） 项目页面（https://agentace-ai.github.io/proact-showcase/） GitHub1（https://github.com/AgentACE-AI/ProAct） 添加到收藏夹（https://huggingface.co/login?next=%2Fpapers%2F2605.25971）

在你的智能体中获取这篇论文：

hf papers read 2605.25971

没有最新 CLI？curl -LsSf https://hf.co/cli/install.sh | bash

引用本篇论文的模型 0

暂无模型链接本篇论文

在模型 README.md 中引用 arxiv.org/abs/2605.25971 即可从本页面链接。

引用本篇论文的数据集 0

暂无数据集链接本篇论文

在数据集 README.md 中引用 arxiv.org/abs/2605.25971 即可从本页面链接。

引用本篇论文的 Spaces 0

暂无 Space 链接本篇论文

在 Space README.md 中引用 arxiv.org/abs/2605.25971 即可从本页面链接。

包含本篇论文的收藏集 0

暂无收藏集包含本篇论文

将本篇论文添加到收藏集（https://huggingface.co/new-collection）即可从本页面链接。