Предвидение и обучение: высвобождение простаивающих вычислительных ресурсов в проактивных агентах

Аннотация

Несмотря на то, что ИИ-агенты демонстрируют выдающиеся способности в рассуждении и использовании инструментов, они остаются в основе своей реактивными: они вычисляют ответы только после явного запроса пользователя. Такой подход упускает критическую возможность: время бездействия между взаимодействиями в значительной степени тратится впустую, оставляя агентов неспособными подготовиться к будущим потребностям пользователя. Чтобы устранить этот разрыв, мы представляем ProAct — архитектуру проактивного агента, которая использует вычисления в периоды простоя для прогнозирования и удовлетворения вероятных будущих потребностей пользователя. Анализируя развивающуюся историю диалога вместе с постоянной памятью, ProAct предсказывает предстоящие потребности и итеративно получает информацию, позволяя агенту устранять пробелы в знаниях и подготавливать доказательства до того, как пользователь инициирует запрос. Для строгой оценки проактивных способностей мы также представляем ProActEval — комплексный бенчмарк, состоящий из 200 сценариев в 40 доменах, с предсказуемыми цепочками потребностей и разнообразными когнитивными профилями пользователей. Эмпирические результаты демонстрируют значительные преимущества по сравнению с реактивными базовыми моделями. ProAct ускоряет выполнение задач, сокращая необходимое количество шагов на 14,8%, уменьшает усилия пользователя на 11,7% и снижает частоту галлюцинаций на 28,1% на ProActEval. Кроме того, оценки MemBench подтверждают, что ProAct достигает передовой точности рефлексии, подчеркивая его устойчивую и надежную производительность.

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.