Antecipar e Aprender: Liberando o Processamento em Tempo Ocioso em Agentes Proativos

Resumo

Embora agentes de IA demonstrem capacidades notáveis em raciocínio e uso de ferramentas, eles permanecem fundamentalmente reativos: calculam respostas apenas após solicitações explícitas do usuário. Esse paradigma ignora uma oportunidade crítica: o tempo ocioso entre interações é amplamente desperdiçado, deixando os agentes incapazes de se preparar para necessidades futuras do usuário. Para superar essa lacuna, apresentamos o ProAct, uma arquitetura de agente proativa que aproveita a computação em tempo ocioso para antecipar e atender a prováveis necessidades futuras do usuário. Ao analisar o histórico de diálogo em evolução juntamente com memória persistente, o ProAct prevê necessidades futuras e adquire informações iterativamente, permitindo que o agente resolva lacunas de conhecimento e prepare evidências antes que o usuário inicie uma consulta. Para avaliar rigorosamente as capacidades proativas, também introduzimos o ProActEval, um benchmark abrangente composto por 200 cenários em 40 domínios, apresentando cadeias de necessidades previsíveis e diversos perfis cognitivos de usuários. Resultados empíricos demonstram vantagens significativas sobre linhas de base reativas. O ProAct acelera a conclusão de tarefas ao reduzir as rodadas necessárias em 14,8%, diminui o esforço do usuário em 11,7% e reduz as taxas de alucinação em 28,1% no ProActEval. Além disso, avaliações no MemBench confirmam que o ProAct atinge precisão reflexiva de ponta, ressaltando seu desempenho sustentado e robusto.

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.