Antizipieren und Lernen: Erschließung von Leerlauf-Rechenzeit in proaktiven Agenten

Zusammenfassung

Während KI-Agenten bemerkenswerte Fähigkeiten in den Bereichen logisches Denken und Werkzeuggebrauch demonstrieren, bleiben sie grundsätzlich reaktiv: Sie berechnen Antworten erst nach expliziten Benutzeranfragen. Dieses Paradigma übersieht eine kritische Gelegenheit: Die Leerlaufzeit zwischen Interaktionen bleibt weitgehend ungenutzt, sodass Agenten nicht in der Lage sind, sich auf zukünftige Benutzerbedürfnisse vorzubereiten. Um diese Lücke zu schließen, stellen wir ProAct vor, eine proaktive Agentenarchitektur, die Rechenleistung in Leerlaufzeiten nutzt, um wahrscheinliche zukünftige Benutzeranforderungen vorherzusehen und zu erfüllen. Durch die Analyse der sich entwickelnden Gesprächshistorie zusammen mit persistentem Speicher sagt ProAct bevorstehende Bedürfnisse voraus und beschafft iterativ Informationen, sodass der Agent Wissenslücken schließen und Belege vorbereiten kann, bevor der Benutzer eine Anfrage stellt. Um proaktive Fähigkeiten rigoros zu bewerten, führen wir außerdem ProActEval ein, einen umfassenden Benchmark, der 200 Szenarien in 40 Domänen umfasst, mit vorhersehbaren Bedarfsketten und verschiedenen kognitiven Benutzerprofilen. Empirische Ergebnisse zeigen signifikante Vorteile gegenüber reaktiven Baselines. ProAct beschleunigt die Aufgabenerledigung, indem es die erforderlichen Interaktionsschritte um 14,8 % reduziert, den Benutzeraufwand um 11,7 % verringert und die Halluzinationsrate auf ProActEval um 28,1 % senkt. Darüber hinaus bestätigen MemBench-Auswertungen, dass ProAct eine hochmoderne reflektive Genauigkeit erreicht, was seine nachhaltige und robuste Leistung unterstreicht.

English

While AI agents demonstrate remarkable capabilities in reasoning and tool use, they remain fundamentally reactive: they compute responses only after explicit user prompts. This paradigm ignores a critical opportunity: the idle time between interactions is largely wasted, leaving agents unable to prepare for future user needs. To bridge this gap, we introduce ProAct, a proactive agent architecture that leverages idle-time compute to anticipate and fulfill likely upcoming user needs. By analyzing evolving dialogue history together with persistent memory, ProAct predicts upcoming needs and iteratively acquires information, allowing the agent to resolve knowledge gaps and prepare evidence before the user initiates a query.To rigorously evaluate proactive capabilities, we also introduce ProActEval, a comprehensive benchmark comprising 200 scenarios across 40 domains, featuring predictable need chains and diverse user cognitive profiles. Empirical results demonstrate significant advantages over reactive baselines. ProAct accelerates task completion by reducing required turns by 14.8%, decreases user effort by 11.7%, and cuts hallucination rates by 28.1% on ProActEval. Furthermore, MemBench evaluations confirm that ProAct achieves state-of-the-art reflective accuracy, underscoring its sustained and robust performance.