Anticipeer en Leer: Het Benutten van Idle-Time Computatie in Proactieve Agenten

Samenvatting

Hoewel AI-agenten opmerkelijke capaciteiten vertonen op het gebied van redeneren en het gebruik van hulpmiddelen, blijven ze fundamenteel reactief: ze berekenen antwoorden pas na expliciete gebruikersaanwijzingen. Dit paradigma laat een cruciale kans liggen: de inactieve tijd tussen interacties wordt grotendeels verspild, waardoor agenten niet in staat zijn zich voor te bereiden op toekomstige gebruikersbehoeften. Om deze kloof te overbruggen introduceren we ProAct, een proactieve agentarchitectuur die rekentijd tijdens inactiviteit benut om waarschijnlijke toekomstige gebruikersbehoeften te anticiperen en te vervullen. Door de evoluerende dialooggeschiedenis samen met aanhoudend geheugen te analyseren, voorspelt ProAct aankomende behoeften en verzamelt iteratief informatie, waardoor de agent kennislacunes kan oplossen en bewijsmateriaal kan voorbereiden voordat de gebruiker een vraag stelt. Om proactieve capaciteiten rigoureus te evalueren, introduceren we ook ProActEval, een uitgebreide benchmark met 200 scenario's in 40 domeinen, met voorspelbare behoeftenketens en uiteenlopende cognitieve gebruikersprofielen. Empirische resultaten tonen significante voordelen aan ten opzichte van reactieve basislijnen. ProAct versnelt taakvoltooiing door het benodigde aantal beurten met 14,8% te verminderen, vermindert gebruikersinspanning met 11,7% en verlaagt hallucinatiepercentages met 28,1% op ProActEval. Bovendien bevestigen MemBench-evaluaties dat ProAct state-of-the-art reflectieve nauwkeurigheid bereikt, wat de aanhoudende en robuuste prestaties benadrukt.

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.